MapReduce案例-分布式缓存共享数据
我们可以使用Hadoop DistributedCache(分布式缓存)来分发只读的、基于文件的资源给Map和Reduce任务。 这些资源可以是简单的数据文件、档案文件(archives)或Mapper/Reducer执行计算所需的JAR文件。
问题描述
下面我们对HTTP服务器日志项进行分析。 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：解析用户访问日志记录，找出用户来源分布。
输出数据格式如下："上海市 7"。
上海市 7 北京市 3 广州市 7 成都市 2 深圳市 2 ......
实现思路
Hadoop在执行任何job的task之前，会先拷贝文件到分布式缓存到所有的工作节点。对于每个job，DistributedCache只拷贝这些文件一次。
我们在Mapper或Reducer的setup()方法中解析和加载来自DistributedCache的数据。
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>
LogProcessorMapper.java
Mapper类。在该类的setup方法中，读取分布式缓存中的共享数据文件，保存到内存中的HashMap中。
package com.xueai8.distcache;
import java.io.*;
import java.net.URI;
import java.util.HashMap;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.util.StringUtils;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
public class LogProcessorMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
private static final Logger logger = LoggerFactory.getLogger(LogProcessorMap.class);
private static final Text outKey = new Text(); // key
private static final IntWritable one = new IntWritable(1); // value
// 存储解析后的ip与城市名映射关系
private HashMap<String,String> ipWithCity = new HashMap<>();
@Override
public void setup(Context context) throws IOException {
// 获取缓存文件uri
URI[] localCachePath = context.getCacheFiles();
// URI[] localCachePath = Job.getInstance(context.getConfiguration()).getCacheFiles();
logger.info("localCachePath[0]: " + localCachePath[0]);
Path patternsPath = new Path(localCachePath[0].getPath());
String patternsFileName = patternsPath.getName();
parseSkipFile(patternsFileName);
}
// 自定义方法，用来读取分布式缓存中的共享数据文件
private void parseSkipFile(String fileName) {
try {
// 读取缓存文件中的ip-city映射数据，保存到内存hash map中
BufferedReader br = new BufferedReader(new FileReader(fileName));
String line;
while ((line = br.readLine()) != null) {
String[] items = line.split("\t");
// items[1] = new String(items[1].getBytes("iso-8859-1"),"utf-8");
logger.info(items[0] + "," + items[1]);
// 保存到内存hash map中
ipWithCity.put(items[0], items[1]); // (ip, city)
}
} catch (IOException ioe) {
System.err.println("当解析缓存文件时出现异常:'" + fileName + "' : "
+ StringUtils.stringifyException(ioe));
}
}
@Override
public void map(LongWritable key, Text value, Context context)
throws IOException, InterruptedException {
// 正则表达式
String logEntryPattern = "^(\\S+) (\\S+) (\\S+) \\[([\\w:/]+\\s[+\\-]\\d{4})\\] \"(.+?)\" (\\d{3}) (\\d+)";
Pattern p = Pattern.compile(logEntryPattern);
Matcher matcher = p.matcher(value.toString());
if (!matcher.matches()) {
System.err.println("损坏的记录 : " + value);
return;
}
// 抽取各个字段
String userIP = matcher.group(1);
// 根据ip 获取相应的 city
if(ipWithCity.get(userIP) != null) {
userIP = ipWithCity.get(userIP);
}else{
return;
}
// 写出 (ip, LogWritable)
outKey.set(userIP);
context.write(outKey,one);
}
}
LogProcessorReducer.java：
Reducer类。在这里对来自同一个城市的用户数量进行统计汇总。
package com.xueai8.distcache;
import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
public class LogProcessorReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
private IntWritable result = new IntWritable(0);
public void reduce(Text key, Iterable<IntWritable> values, Context context)
throws IOException, InterruptedException {
int sum = 0;
for (IntWritable val : values) {
sum += val.get();
}
result.set(sum);
context.write(key, result);
}
}
LogProcessorDriver.java：
驱动程序类，用于将作业提交到Hadoop上执行。
package com.xueai8.distcache;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
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;
import org.apache.hadoop.util.GenericOptionsParser;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;
/*
* 共享资源：ip2locale.txt
* 199.120.110.21 北京市
* 199.72.81.55 上海市
* 205.189.154.54 广州市
* 205.212.115.106 深圳市
* 129.94.144.152 成都市
*/
public class LogProcessorDriver extends Configured implements Tool {
public static void main(String[] args) throws Exception {
int res = ToolRunner.run(new Configuration(), new LogProcessorDriver(), args);
System.exit(res);
}
@Override
public int run(String[] args) throws Exception {
GenericOptionsParser optionParser = new GenericOptionsParser(getConf(), args);
String[] remainingArgs = optionParser.getRemainingArgs();
if (remainingArgs.length != 2) {
System.err.println("用法：<input_path> <output_path>");
System.exit(-1);
}
Job job = Job.getInstance(getConf(), "log-analysis");
// 添加指定资源到分布式缓存
job.addCacheFile(new Path("/data/mr/ip2locale.txt").toUri());
job.setJarByClass(LogProcessorDriver.class);
job.setMapperClass(LogProcessorMapper.class);
job.setReducerClass(LogProcessorReducer.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
boolean flag = job.waitForCompletion(true);
return (flag ? 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、将日志文件log_sample.txt和共享文件ip2locale.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 -put ip2locale.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 com.xueai8-1.0-SNAPSHOT.jar com.xueai8.distcache.LogProcessorDriver /data/mr/log_sample.txt /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
可以看到如下的输出结果：
上海市 7 北京市 3 广州市 7 成都市 2 深圳市 2
