Hadoop基本流程
一個圖片太大了，只好分割成爲兩部分。根據流程圖來說一下具體一個任務執行的情況。
在分佈式環境中客戶端創建任務並提交。
InputFormat做Map前的預處理，主要負責以下工作：
驗證輸入的格式是否符合JobConfig的輸入定義，這個在實現Map和構建Conf的時候就會知道，不定義可以是Writable的任意子類。
將input的文件切分爲邏輯上的輸入InputSplit，其實這就是在上面提到的在分佈式文件系統中blocksize是有大小限制的，因此大文件會被劃分爲多個block。
通過RecordReader來再次處理inputsplit爲一組records，輸出給Map。（inputsplit只是邏輯切分的第一步，但是如何根據文件中的信息來切分還需要RecordReader來實現，例如最簡單的默認方式就是回車換行的切分）
RecordReader處理後的結果作爲Map的輸入，Map執行定義的Map邏輯，輸出處理後的key和value對應到臨時中間文件。
Combiner可選擇配置，主要作用是在每一個Map執行完分析以後，在本地優先作Reduce的工作，減少在Reduce過程中的數據傳輸量。
Partitioner可選擇配置，主要作用是在多個Reduce的情況下，指定Map的結果由某一個Reduce處理，每一個Reduce都會有單獨的輸出文件。（後面的代碼實例中有介紹使用場景）
Reduce執行具體的業務邏輯，並且將處理結果輸出給OutputFormat。
OutputFormat的職責是，驗證輸出目錄是否已經存在，同時驗證輸出結果類型是否如Config中配置，最後輸出Reduce彙總後的結果。
業務場景和代碼範例
業務場景描述：可設定輸入和輸出路徑（操作系統的路徑非HDFS路徑），根據訪問日誌分析某一個應用訪問某一個API的總次數和總流量，統計後分別輸出到兩個文件中。這裏僅僅爲了測試，沒有去細分很多類，將所有的類都歸併於一個類便於說明問題。
測試代碼類圖
LogAnalysiser就是主類，主要負責創建、提交任務，並且輸出部分信息。內部的幾個子類用途可以參看流程中提到的角色職責。具體地看看幾個類和方法的代碼片斷：
LogAnalysiser::MapClass
public static class MapClass extends MapReduceBase
implements Mapper<LongWritable, Text, Text, LongWritable>
{
public void map(LongWritable key, Text value, OutputCollector<Text, LongWritable> output, Reporter reporter)
throws IOException
{
String line = value.toString();//沒有配置RecordReader，所以默認採用line的實現，key就是行號，value就是行內容
if (line == null || line.equals(""))
return;
String[] words = line.split(",");
if (words == null || words.length < 8)
return;
String appid = words[1];
String apiName = words[2];
LongWritable recbytes = new LongWritable(Long.parseLong(words[7]));
Text record = new Text();
record.set(new StringBuffer("flow::").append(appid)
.append("::").append(apiName).toString());
reporter.progress();
output.collect(record, recbytes);//輸出流量的統計結果，通過flow::作爲前綴來標示。
record.clear();
record.set(new StringBuffer("count::").append(appid).append("::").append(apiName).toString());
output.collect(record, new LongWritable(1));//輸出次數的統計結果，通過count::作爲前綴來標示
}
}
LogAnalysiser:: PartitionerClass
public static class PartitionerClass implements Partitioner<Text, LongWritable>
{
public int getPartition(Text key, LongWritable value, int numPartitions)
{
if (numPartitions >= 2)//Reduce 個數，判斷流量還是次數的統計分配到不同的Reduce
if (key.toString().startsWith("flow::"))
return 0;
else
return 1;
else
return 0;
}
public void configure(JobConf job){}
}LogAnalysiser:: CombinerClass
參看ReduceClass，通常兩者可以使用一個，不過這裏有些不同的處理就分成了兩個。在ReduceClass中藍色的行表示在CombinerClass中不存在。
LogAnalysiser:: ReduceClass
public static class ReduceClass extends MapReduceBase
implements Reducer<Text, LongWritable,Text, LongWritable>
{
public void reduce(Text key, Iterator<LongWritable> values,
OutputCollector<Text, LongWritable> output, Reporter reporter)throws IOException
{
Text newkey = new Text();
newkey.set(key.toString().substring(key.toString().indexOf("::")+2));
LongWritable result = new LongWritable();
long tmp = 0;
int counter = 0;
while(values.hasNext())//累加同一個key的統計結果
{
tmp = tmp + values.next().get();
counter = counter +1;//擔心處理太久，JobTracker長時間沒有收到報告會認爲TaskTracker已經失效，因此定時報告一下
if (counter == 1000)
{
counter = 0;
reporter.progress();
}
}
result.set(tmp);
output.collect(newkey, result);//輸出最後的彙總結果
}
}LogAnalysiser
public static void main(String[] args)
{
try
{
run(args);
} catch (Exception e)
{
e.printStackTrace();
}
}
public static void run(String[] args) throws Exception
{
if (args == null || args.length <2)
{
System.out.println("need inputpath and outputpath");
return;
}
String inputpath = args[0];
String outputpath = args[1];
String shortin = args[0];
String shortout = args[1];
if (shortin.indexOf(File.separator) >= 0)
shortin = shortin.substring(shortin.lastIndexOf(File.separator));
if (shortout.indexOf(File.separator) >= 0)
shortout = shortout.substring(shortout.lastIndexOf(File.separator));
SimpleDateFormat formater = new SimpleDateFormat("yyyy.MM.dd");
shortout = new StringBuffer(shortout).append("-")
.append(formater.format(new Date())).toString();
if (!shortin.startsWith("/"))
shortin = "/" + shortin;
if (!shortout.startsWith("/"))
shortout = "/" + shortout;
shortin = "/user/root" + shortin;
shortout = "/user/root" + shortout;
File inputdir = new File(inputpath);
File outputdir = new File(outputpath);
if (!inputdir.exists() || !inputdir.isDirectory())
{
System.out.println("inputpath not exist or isn't dir!");
return;
}
if (!outputdir.exists())
{
new File(outputpath).mkdirs();
}
JobConf conf = new JobConf(new Configuration(),LogAnalysiser.class);//構建Config
FileSystem fileSys = FileSystem.get(conf);
fileSys.copyFromLocalFile(new Path(inputpath), new Path(shortin));//將本地文件系統的文件拷貝到HDFS中
conf.setJobName("analysisjob");
conf.setOutputKeyClass(Text.class);//輸出的key類型，在OutputFormat會檢查
conf.setOutputValueClass(LongWritable.class); //輸出的value類型，在OutputFormat會檢查
conf.setMapperClass(MapClass.class);
conf.setCombinerClass(CombinerClass.class);
conf.setReducerClass(ReduceClass.class);
conf.setPartitionerClass(PartitionerClass.class);
conf.set("mapred.reduce.tasks", "2");//強制需要有兩個Reduce來分別處理流量和次數的統計
FileInputFormat.setInputPaths(conf, shortin);//hdfs中的輸入路徑
FileOutputFormat.setOutputPath(conf, new Path(shortout));//hdfs中輸出路徑
Date startTime = new Date();
System.out.println("Job started: " + startTime);
JobClient.runJob(conf);
Date end_time = new Date();
System.out.println("Job ended: " + end_time);
System.out.println("The job took " + (end_time.getTime() - startTime.getTime()) /1000 + " seconds.");
//刪除輸入和輸出的臨時文件
fileSys.copyToLocalFile(new Path(shortout),new Path(outputpath));
fileSys.delete(new Path(shortin),true);
fileSys.delete(new Path(shortout),true);
}
以上的代碼就完成了所有的邏輯性代碼，然後還需要一個註冊驅動類來註冊業務Class爲一個可標示的命令，讓hadoop jar可以執行。
public class ExampleDriver {
public static void main(String argv[]){
ProgramDriver pgd = new ProgramDriver();
try {
pgd.addClass("analysislog", LogAnalysiser.class, "A map/reduce program that analysis log .");
pgd.driver(argv);
}
catch(Throwable e){
e.printStackTrace();
}
}
}將代碼打成jar，並且設置jar的mainClass爲ExampleDriver這個類。在分佈式環境啓動以後執行如下語句：
hadoop jar analysiser.jar analysislog /home/wenchu/test-in /home/wenchu/test-out
在/home/wenchu/test-in中是需要分析的日誌文件，執行後就會看見整個執行過程，包括了Map和Reduce的進度。執行完畢會在/home/wenchu/test-out下看到輸出的內容。有兩個文件：part-00000和part-00001分別記錄了統計後的結果。 如果需要看執行的具體情況，可以看在輸出目錄下的_logs/history/xxxx_analysisjob，裏面羅列了所有的Map，Reduce的創建情況以及執行情況。在運行期也可以通過瀏覽器來查看Map,Reduce的情況：http://MasterIP:50030/jobtracker.jsp
Hadoop集羣測試
首先這裏使用上面的範例作爲測試，也沒有做太多的優化配置，這個測試結果只是爲了看看集羣的效果，以及一些參數配置的影響。
文件複製數爲1，blocksize 5M
| Slave數 | 處理記錄數(萬條) | 執行時間（秒） |
| 2 | 95 | 38 |
| 2 | 950 | 337 |
| 4 | 95 | 24 |
| 4 | 950 | 178 |
| 6 | 95 | 21 |
| 6 | 950 | 114 |
Blocksize 5M
| Slave數 | 處理記錄數(萬條) | 執行時間（秒） |
| 2（文件複製數爲1） | 950 | 337 |
| 2（文件複製數爲3） | 950 | 339 |
| 6（文件複製數爲1） | 950 | 114 |
| 6（文件複製數爲3） | 950 | 117 |
文件複製數爲1
| Slave數 | 處理記錄數(萬條) | 執行時間（秒） |
| 6(blocksize 5M) | 95 | 21 |
| 6(blocksize 77M) | 95 | 26 |
| 4(blocksize 5M) | 950 | 178 |
| 4(blocksize 50M) | 950 | 54 |
| 6(blocksize 5M) | 950 | 114 |
| 6(blocksize 50M) | 950 | 44 |
| 6(blocksize 77M) | 950 | 74 |
測試的數據結果很穩定，基本測幾次同樣條件下都是一樣。通過測試結果可以看出以下幾點：
機器數對於性能還是有幫助的（等於沒說^_^）。
文件複製數的增加只對安全性有幫助，但是對於性能沒有太多幫助。而且現在採取的是將操作系統文件拷貝到HDFS中，所以備份多了，準備的時間很長。
blocksize對於性能影響很大，首先如果將block劃分的太小，那麼將會增加job的數量，同時也增加了協作的代價，降低了性能，但是配置的太大也會讓job不能最大化並行處理。所以這個值的配置需要根據數據處理的量來考慮。
最後就是除了這個表裏面列出來的結果，應該去仔細看輸出目錄中的_logs/history中的xxx_analysisjob這個文件，裏面記錄了全部的執行過程以及讀寫情況。這個可以更加清楚地瞭解哪裏可能會更加耗時。
隨想
“雲計算”熱的燙手，就和SAAS、Web2及SNS等一樣，往往都是在搞概念，只有真正踏踏實實的大型互聯網公司，纔會投入人力物力去研究符合自己的分佈式計算。其實當你的數據量沒有那麼大的時候，這種分佈式計算也就僅僅只是一個玩具而已，只有在真正解決問題的過程中，它深層次的問題纔會被挖掘出來。
這三篇文章（分佈式計算開源框架Hadoop介紹，Hadoop中的集羣配置和使用技巧）僅僅是爲了給對分佈式計算有興趣的朋友拋個磚，要想真的掘到金子，那麼就踏踏實實的去用、去想、去分析。或者自己也會更進一步地去研究框架中的實現機制，在解決自己問題的同時，也能夠貢獻一些什麼。
前幾日看到有人跪求成爲架構師的方式，看了有些可悲，有些可笑，其實有多少架構師知道什麼叫做架構？架構師的職責是什麼？與其追求這麼一個名號，還不如踏踏實實地做塊石頭沉到水底。要知道，積累和沉澱的過程就是一種成長。