自定义的Hadoop Writable数据类型
有可能会出现这样的情形：没有一个内置的数据类型满足你的业务需求，或者一个经过优化的自定义数据类型有可能比Hadoop内置的数据类型性能更好。 在这种场景下，我们可以通过实现org.apache.hadoop.io.Writable接口很容易地编写一个自定义的Writable数据类型。
案例描述
下面我们为HTTP服务器日志项实现一个Hadoop Writable数据类型。 这里我们假定一个日志项由五部分组成：request host、timestamp、request URL、response size和HTTP状态码。如下所示：
192.168.0.2 - - [01/Jul/1995:00:00:01 -0400] "GET /history/apollo/HTTP/1.0" 200 6245
其中：
- 199.72.81.55 客户端用户的ip
- 01/Jul/1995:00:00:01 -0400 访问的时间
- GET HTTP方法，GET或POST
- /history/apollo/ 客户请求的URL
- 200 响应码 404
- 6245 响应内容的大小
要求：实现一个自定义的Hadoop Writable数据类型用于HTTP服务器日志项。
思路
如果某个数据类型要被用作一个MapReduce计算的value数据类型，那么该数据类型必须实现org.apache.hadoop.io.Writable接口。 该Writable接口定义了在传输和存储该数据时Hadoop应该怎样序列化和反序列化这个值。
一、创建Java Maven项目
Maven依赖：
<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
<modelVersion>4.0.0</modelVersion>
<groupId>HadoopDemo</groupId>
<artifactId>com.xueai8</artifactId>
<version>1.0-SNAPSHOT</version>
<dependencies>
<!--hadoop依赖-->
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-common</artifactId>
<version>3.3.1</version>
</dependency>
<!--hdfs文件系统依赖-->
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-hdfs</artifactId>
<version>3.3.1</version>
</dependency>
<!--MapReduce相关的依赖-->
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-mapreduce-client-core</artifactId>
<version>3.3.1</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-mapreduce-client-jobclient</artifactId>
<version>3.3.1</version>
</dependency>
<!--junit依赖-->
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>4.12</version>
<scope>test</scope>
</dependency>
</dependencies>
<build>
<plugins>
<!--编译器插件用于编译拓扑-->
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<!--指定maven编译的jdk版本和字符集,如果不指定,maven3默认用jdk 1.5 maven2默认用jdk1.3-->
<artifactId>maven-compiler-plugin</artifactId>
<configuration>
<source>1.8</source> <!-- 源代码使用的JDK版本 -->
<target>1.8</target> <!-- 需要生成的目标class文件的编译版本 -->
<encoding>UTF-8</encoding><!-- 字符集编码 -->
</configuration>
</plugin>
</plugins>
</build>
</project>
首先，编写一个实现了org.apache.hadoop.io.Writable接口的LogWritable类。
LogWritable.java：
package com.xueai8.log;
import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.Writable;
public class LogWritable implements Writable {
private Text userIP; // 客户端的IP地址
private Text timestamp; // 客户访问时间
private Text url; // 客户访问的url
private IntWritable status; // 状态码
private IntWritable responseSize; // 服务端响应数据的大小
public LogWritable() {
this.userIP = new Text();
this.timestamp = new Text();
this.url = new Text();
this.status = new IntWritable();
this.responseSize = new IntWritable();
}
public void set(String userIP, String timestamp, String url, int status, int responseSize) {
this.userIP.set(userIP);
this.timestamp.set(timestamp);
this.url.set(url);
this.status.set(status);
this.responseSize.set(responseSize);
}
public Text getUserIP() {
return userIP;
}
public void setUserIP(Text userIP) {
this.userIP = userIP;
}
public Text getTimestamp() {
return timestamp;
}
public void setTimestamp(Text timestamp) {
this.timestamp = timestamp;
}
public Text getUrl() {
return url;
}
public void setUrl(Text url) {
this.url = url;
}
public IntWritable getStatus() {
return status;
}
public void setStatus(IntWritable status) {
this.status = status;
}
public IntWritable getResponseSize() {
return responseSize;
}
public void setResponseSize(IntWritable responseSize) {
this.responseSize = responseSize;
}
// 序列化方法
@Override
public void write(DataOutput out) throws IOException {
userIP.write(out);
timestamp.write(out);
url.write(out);
status.write(out);
responseSize.write(out);
}
// 反序列化方法
@Override
public void readFields(DataInput in) throws IOException {
userIP.readFields(in);
timestamp.readFields(in);
url.readFields(in);
status.readFields(in);
responseSize.readFields(in);
}
}
当实现自定义的Writable数据类型时，请注意如下的问题：
- 如果增加了自定义的构造器，请确保保留默认的空构造器；
- TextOutputFormat使用toString()方法来序列化key和value类型。如果使用TextOutputFormat来序列化自定义的Writable类型，确保自定义的Writable类型具有一个有意义的toString()实现。
- 当读取input数据时，Hadoop有可能会反复重用该Writable类的一个实例。当在readFields()方法内填充该对象时，应该不要依赖于该对象已经存在的状态。
使用该新的LogWritable类型作为MapReduce计算的value类型。在下面的示例中，我们使用该LogWritable类型作为该Mapper输出的值类型。
LogMapper.java：
package com.xueai8.log;
import java.io.IOException;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
/**
*
// 199.72.81.55 - - [01/Jul/1995:00:00:01 -0400] "GET /history/apollo/ HTTP/1.0" 200 6245
// "^(\\S+) (\\S+) (\\S+) \\[([\\w:/]+\\s[+\\-]\\d{4})\\] \"(.+?)\" (\\d{3}) (\\d+)"
// group(1) - ip
// group(4) - timestamp
// group(6) - status
// group(7) - responseSize
*/
public class LogMapper extends Mapper<LongWritable,Text,Text,LogWritable>{
private final Text outKey = new Text();
private final LogWritable outValue = new LogWritable(); // 自定义Writable类型
@Override
protected void map(LongWritable key, Text value, Context context)
throws IOException, InterruptedException {
// 提取相应字段的正则表达式
String regexp = "^(\\S+) (\\S+) (\\S+) \\[([\\w:/]+\\s[+\\-]\\d{4})\\] \"(.+?)\" (\\d{3}) (\\d+)";
Pattern pattern = Pattern.compile(regexp);
Matcher matcher = pattern.matcher(value.toString());
if(!matcher.matches()) {
System.out.println("不是一个有效的日志记录");
return;
}
// 提取相应的字段
String ip = matcher.group(1);
String timestamp = matcher.group(4);
String url = matcher.group(5);
int status = Integer.parseInt(matcher.group(6));
int responseSize = Integer.parseInt(matcher.group(7));
// LogWritable为 value
outValue.set(ip, timestamp, url, status, responseSize);
outKey.set(ip); // ip 为key
context.write(outKey, outValue); // 写出
}
}
LogReducer.java：
这里我们统计每个IP的下载量。
package com.xueai8.log;
import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
/**
*
* 计算每个IP的下载量
*/
public class LogReducer extends Reducer<Text, LogWritable, Text, IntWritable> {
private final IntWritable outValue = new IntWritable(0);
@Override
protected void reduce(Text key, Iterable<LogWritable> values, Context context)
throws IOException, InterruptedException {
int total = 0;
for(LogWritable log : values) {
total += log.getResponseSize().get();
}
outValue.set(total);
context.write(key, outValue);
}
}
LogDriver.java：
作为输入，这个应用程序可以接收任何文本文件。可直接从IDE运行LogDriver类并传递input和output作为参数。
package com.xueai8.log;
import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
public class LogDriver {
public static void main(String[] args) throws IllegalStateException, IllegalArgumentException, ClassNotFoundException, IOException, InterruptedException {
if(args.length < 2) {
System.out.println("用法: LogDriver <input> <output>");
System.exit(1);
}
Configuration conf = new Configuration();
Job job = Job.getInstance(conf,"日志分析");
job.setJarByClass(LogDriver.class);
// set mapper
job.setMapperClass(LogMapper.class);
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(LogWritable.class); // *** 注意这里指定的类型
// set reducer
job.setReducerClass(LogReducer.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
// 设置输入路径
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
// 提交作业
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
}
二、配置log4j
在src/main/resources目录下新增log4j的配置文件log4j.properties，内容如下：
log4j.rootLogger = info,stdout
### 输出信息到控制抬 ###
log4j.appender.stdout = org.apache.log4j.ConsoleAppender
log4j.appender.stdout.Target = System.out
log4j.appender.stdout.layout = org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern = [%-5p] %d{yyyy-MM-dd HH:mm:ss,SSS} method:%l%n%m%n
三、项目打包
打开IDEA下方的终端窗口terminal，执行"mvn clean package"打包命令，如下图所示：
如果一切正常，会提示打jar包成功。如下图所示：
这时查看项目结构，会看到多了一个target目录，打好的jar包就位于此目录下。如下图所示：
四、项目部署
请按以下步骤执行。
1、启动HDFS集群和YARN集群。在Linux终端窗口中，执行如下的脚本：
$ start-dfs.sh $ start-yarn.sh
查看进程是否启动，集群运行是否正常。在Linux终端窗口中，执行如下的命令：
$ jps
这时应该能看到有如下5个进程正在运行，说明集群运行正常：
5542 NodeManager
5191 SecondaryNameNode
4857 NameNode
5418 ResourceManager
4975 DataNode
2、将日志数据文件log_sample.txt上传到HDFS的/data/mr/目录下。
$ hdfs dfs -mkdir -p /data/mr $ hdfs dfs -put log_sample.txt /data/mr/ $ hdfs dfs -ls /data/mr/
3、提交作业到Hadoop集群上运行。（如果jar包在Windows下，请先拷贝到Linux中。）
在终端窗口中，执行如下的作业提交命令：
$ hadoop jar HadoopDemo-1.0-SNAPSHOT.jar com.xueai8.log.LogDriver /data/mr /data/mr-output
4、查看输出结果。
在终端窗口中，执行如下的HDFS命令，查看输出结果：
$ hdfs dfs -ls /data/mr-output
$ hdfs dfs -cat /data/mr-output/part-r-00000
可以看到最后的统计结果如下：
129.94.144.152 7074 199.120.110.21 9977 199.72.81.55 21833 205.189.154.54 55253 205.212.115.106 11619 alyssa.prodigy.com 12054 burger.letters.com 0 d104.aa.net 46285 dave.dev1.ihub.com 46285 dd14-012.compuserve.com 42732 dial22.lloyd.com 61716 gater3.sematech.org 41514 gater4.sematech.org 4771 gayle-gaston.tenet.edu 12040 ix-or10-06.ix.netcom.com 10149 ix-orl2-01.ix.netcom.com 45499 link097.txdirect.net 51128 net-1-141.eden.com 34029 netport-27.iu.net 7074 onyx.southwind.net 44295 piweba3y.prodigy.com 67720 pm13.j51.com 305722 port26.annex2.nwlink.com 56782 ppp-mia-30.shadow.net 14992 ppp-nyc-3-1.ios.com 129654 ppptky391.asahi-net.or.jp 15450 remote27.compusmart.ab.ca 23783 scheyer.clark.net 49152 slip1.yab.com 23159 smyth-pc.moorecap.com 121677 unicomp6.unicomp.net 49499 waters-gw.starway.net.au 6723 www-a1.proxy.aol.com 3985 www-b4.proxy.aol.com 70712
