【大数据技术原理与应用】复习

一、填空（10X2）

二、问答（3）

1、第二名称节点的作用

1. 完成EditLog与FsImage的合并
   第二名称节点将名称节点中的文件拉到本地，然后加载到内存，对二者进行合并操作，即在内存条里一条一条执行EditLog里的操作，使得FsImage保持最新。合并结束后将EditLog new和FsImage new发送给名称节点。以防止EditLog过大，导致名称节点失败恢复时消耗过多时间。
2. 作为名称节点的“检查点”
   周期性的备份名称节点中的元数据信息，但并不能直接替代主NameNode起到热备份的作用。如果主NameNode发生故障，HDFS需要通过其他手段（例如使用HA，High Availability）来实现主备份切换，以确保系统的连续性。

2、给一个文件怎么存储、设置、存储原理

1. 切分为块

2、设置

3、存取策略

3、MapReduce工作流程（P132、7-2）

工作流程概述

MapReduce各个执行阶段

三、分析题（2X10）

1、Scala代码（spark实验四核心代码）

package org.zkpk.lab
import org.apache.spark.rdd.RDD
import org.apache.spark.{
   SparkConf,SparkContext}
class ScalaWordCount {
   }
object ScalaWordCount{
   
  def main(args: Array[String]): Unit = {
   
    val list = List("hello hi hi spark",
    "hello spark hello hi sparksql",
    "hello hi hi sparkstreaming",
    "hello hi sparkgraphx")
    val sparkConf = new SparkConf().setAppName("word-count").setMaster("local[*]")
    val sc = new SparkContext(sparkConf)
    val lines : RDD[String] = sc.parallelize(list)
    val words : RDD[String] = lines.flatMap((line:String) =>{
   line.split(" ")})
    val wordAndOne : RDD[(String, Int)] =
      words.map((word : String) => {
   (word, 1)})
    val wordAndNum : RDD[(String, Int)] =
      wordAndOne.reduceByKey((count1 : Int, count2 : Int) => {
   count1+count2})
    val ret = wordAndNum.sortBy(kv => kv._2,false)
    println(ret.collect().mkString(","))
    ret.saveAsTextFile(args(0))
    sc.stop()
  }
}

思考题

1. 本实验中RDD对象lines的flatMap方法是按照什么来切分RDD中的字符串元素的？

2. 试解释下面语句的意思？

3.本实验中这句语句中的args(0)在运行配置参数arguments时是什么？

2、修改代码（第五章ppt代码）

四、应用题（40）

1、HDFS常用命令（实验二）

命令基本格式:

hadoop fs -cmd < args >

1.ls

hadoop fs -ls /

列出hdfs文件系统根目录下的目录和文件

hadoop fs -ls -R /

列出hdfs文件系统所有的目录和文件

2.put
将本地文件上传到HDFS

hadoop fs -put < local file > < hdfs file >
hdfs file的父目录一定要存在，否则命令不会执行
hadoop fs -put < local file or dir >…< hdfs dir >
hdfs dir 一定要存在，否则命令不会执行
hadoop fs -put - < hdsf file>
从键盘读取输入到hdfs file中，按Ctrl+D结束输入，hdfs file不能存在，否则命令不会执行

2.1.moveFromLocal

hadoop fs -moveFromLocal < local src > … < hdfs dst >

与put相类似，命令执行后源文件 local src 被删除，也可以从从键盘读取输入到hdfs file中

2.2.copyFromLocal

hadoop fs -copyFromLocal < local src > … < hdfs dst >

与put相类似，也可以从从键盘读取输入到hdfs file中

3.get
将HDFS中的文件复制到本地

hadoop fs -get < hdfs file > < local file or dir>

local file不能和 hdfs file名字不能相同，否则会提示文件已存在，没有重名的文件会复制到本地

hadoop fs -get < hdfs file or dir > … < local dir >

拷贝多个文件或目录到本地时，本地要为文件夹路径 注意：如果用户不是root， local 路径要为用户文件夹下的路径，否则会出现权限问题，

3.1.copyToLocal

hadoop fs -copyToLocal < local src > … < hdfs dst >

与get相类似

4.rm

hadoop fs -rm < hdfs file > …

hadoop fs -rm -r < hdfs dir>…

每次可以删除多个文件或目录

5.mkdir

hadoop fs -mkdir < hdfs path>

只能一级一级的建目录，父目录不存在的话使用这个命令会报错

hadoop fs -mkdir -p < hdfs path>

所创建的目录如果父目录不存在就创建该父目录

6.getmerge

hadoop fs -getmerge < hdfs dir > < local file >

将hdfs指定目录下所有文件排序后合并到local指定的文件中，文件不存在时会自动创建，文件存在时会覆盖里面的内容

hadoop fs -getmerge -nl < hdfs dir > < local file >

加上nl后，合并到local file中的hdfs文件之间会空出一行

7.cp

hadoop fs -cp < hdfs file > < hdfs file >

目标文件不能存在，否则命令不能执行，相当于给文件重命名并保存，源文件还存在 hadoop fs -cp < hdfs file or dir

… < hdfs dir >

目标文件夹要存在，否则命令不能执行

8.mv

hadoop fs -mv < hdfs file > < hdfs file >

目标文件不能存在，否则命令不能执行，相当于给文件重命名并保存，源文件不存在

hadoop fs -mv < hdfs file or dir >… < hdfs dir >

源路径有多个时，目标路径必须为目录，且必须存在。 注意：跨文件系统的移动（local到hdfs或者反过来）都是不允许的

9.count

hadoop fs -count < hdfs path >

统计hdfs对应路径下的目录个数，文件个数，文件总计大小 显示为目录个数，文件个数，文件总计大小，输入路径

10.du

hadoop fs -du < hdfs path>

显示hdfs对应路径下每个文件夹和文件的大小

hadoop fs -du -s < hdfs path>

显示hdfs对应路径下所有文件的大小

hadoop fs -du - h < hdfs path>

显示hdfs对应路径下每个文件夹和文件的大小,文件的大小用方便阅读的形式表示，例如用64M代替67108864

11.text

hadoop fs -text < hdfs file>

将文本文件或某些格式的非文本文件通过文本格式输出

12.setrep

hadoop fs -setrep -R 3 < hdfs path >

改变一个文件在hdfs中的副本个数，上述命令中数字3为所设置的副本个数，-R选项可以对一个人目录下的所有目录+文件递归执行改变副本个数的操作

13.stat

hdoop fs -stat [format] < hdfs path >

返回对应路径的状态信息
[format]可选参数有：%b（文件大小），%o（Block大小），%n（文件名），%r（副本个数），%y（最后一次修改日期和时间）
可以这样书写hadoop fs -stat %b%o%n < hdfs path >，不过不建议，这样每个字符输出的结果不是太容易分清楚

14.tail

hadoop fs -tail < hdfs file >

在标准输出中显示文件末尾的1KB数据

15.archive

hadoop archive -archiveName name.har -p < hdfs parent dir > < src >* <
hdfs dst >

命令中参数name：压缩文件名，自己任意取；
< hdfs parent dir > ：压缩文件所在的父目录；
< src >：要压缩的文件名；
< hdfs dst >：压缩文件存放路径
示例：hadoop archive -archiveName hadoop.har -p /user 1.txt 2.txt /des
示例中将hdfs中/user目录下的文件1.txt，2.txt压缩成一个名叫hadoop.har的文件存放在hdfs中/des目录下，如果1.txt，2.txt不写就是将/user目录下所有的目录和文件压缩成一个名叫hadoop.har的文件存放在hdfs中/des目录下
显示jar的内容可以用如下命令：

hadoop fs -ls /des/hadoop.jar

显示jar压缩的是那些文件可以用如下命令

hadoop fs -ls -R har:///des/hadoop.jar

注意：jar文件不能进行二次压缩。如果想给.jar加文件，只能找到原来的文件，重新创建一个。jar文件中原来文件的数据并没有变化，jar文件真正的作用是减少NameNode和DataNode过多的空间浪费。

16.balancer

hdfs balancer

如果管理员发现某些DataNode保存数据过多，某些DataNode保存数据相对较少，可以使用上述命令手动启动内部的均衡过程

17.dfsadmin

hdfs dfsadmin -help

管理员可以通过dfsadmin管理HDFS，用法可以通过上述命令查看 hdfs dfsadmin -report

显示文件系统的基本数据

hdfs dfsadmin -safemode < enter | leave | get | wait >

enter：进入安全模式；leave：离开安全模式；get：获知是否开启安全模式； wait：等待离开安全模式

18.distcp

用来在两个HDFS之间拷贝数据

2、基于sogo日志文件的分析（实验十、十七核心代码）

实验十MapReduce编程：检索特定群体搜索记录
代码清单org.zkpk.hadoop.mov