hadoop大数据

hadoop大数据

实验一–安装基本的环境以及简单的编程

创建hadoop用户，方便管理

#创建用户
sudo useradd -m hadoop -s /bin/bash
#设置用户名
sudo passwd hadoop
#设置管理员权限
sudo adduser hadoop sudo

#更新apt
sudo apt-get update

安装VIM编辑器

sudo apt-get install vim

安装ssh

sudo apt-get install openssh-server
#成功后登录本机
ssh localhost
#配置免密码秘钥
cd ~/.ssh/ # 若没有该目录，请先执行一次ssh ocalhost
ssh-keygen -t rsa   # 会有提示，都按回车即可
cat ./id_rsa.pub >> ./authorized_keys # 加入授权

安装java环境

cd /usr/lib
sudo mkdir jvm #创建/jvm目录用来存放JDK文件
#进入你的jdk包目录下，下面执行解压
sudo tar -zxvf ./jdk-8u162-linux-x64.tar.gz -C /usr/lib/jvm

配置环境变量

vim ~/.bashrc
在文件的开头放入以下文字
export JAVA_HOME=/usr/lib/jvm/jdk1.8.0_162
export JRE_HOME=${JAVA_HOME}/jre
export CLASSPATH=.:${JAVA_HOME}/lib:${JRE_HOME}/lib
export PATH=${JAVA_HOME}/bin:$PATH

source ~/.bashrc#该语句使得上面的立即生效

安装hadoop

#解压hadoop
sudo tar -zxf ~/hadoop.tar.gz -C /usr/local   
#修改文件夹访问权限
sudo chown -R hadoop ./hadoop 
#进入hadoop解压目录后执行是否安装成功
./bin/hadoop version

伪分布式模式

core-site.xml文件的修改

<configuration>
    <property>
        <name>hadoop.tmp.dir</name>
        <value>file:/usr/local/hadoop/tmp</value>
        <description>Abase for other temporary directories.</description>
    </property>
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://localhost:9000</value>
    </property>
</configuration>

hdfs-site.xml

<configuration>
    <property>
        <name>dfs.replication</name>
        <value>1</value>
    </property>
    <property>
        <name>dfs.namenode.name.dir</name>
        <value>file:/usr/local/hadoop/tmp/dfs/name</value>
    </property>
    <property>
        <name>dfs.datanode.data.dir</name>
        <value>file:/usr/local/hadoop/tmp/dfs/data</value>
    </property>
</configuration>

配置文件配置好后，格式化

./bin/hdfs namenode -format

启动hadoop程序

./sbin/start-dfs.sh

进入web查看：

localhost:9000

停止hadoop程序

./sbin/stop-dfs.sh

可以将hadoop配置到环境变量~/.bashrc

export PATH=$PATH:/usr/local/hadoop/sbin
export PATH=$PATH:/usr/local/hadoop/sbin:/usr/local/hadoop/bin

source ~/.bashrc#变量生效
直接使用start-dfs.sh启动hadoop

hadoop常用命令

指令	详解
./bin/hdfs dfs	查看所有命令
./bin/hdfs dfs –help put	查看put的解释
dfs –mkdir –p /user/hadoop	在HDFS中为hadoop用户创建一个用户目录（需要注意的是，Hadoop系统安装好以后，第一次使用HDFS时，需要首先在HDFS中创建用户目录。）
dfs –ls .	显示HDFS中与当前用户hadoop对应的用户目录下的内容
dfs –ls /user/hadoop	上一条等价
dfs –ls	列出HDFS上的所有目录
dfs –mkdir filename	创建目录
dfs –rm –r /input	删除目录
dfs -put File.txt input	将File.txt传到input文件夹中
dfs –cat input/File.txt	查看文件内容
dfs -get input/File.txt /下载	下载到本地目录
dfs -cp	复制命令

实验要求：

首先，利用Hadoop提供的Shell命令完成：
（1）	向HDFS中上传任意文本文件，如果指定的文件在HDFS中已经存在，由用户指定是追加到原有文件末尾还是覆盖原有的文件；
（2）	从HDFS中下载指定文件，如果本地文件与要下载的文件名称相同，则自动对下载的文件重命名；
（3）	将HDFS中指定文件的内容输出到终端中；
（4）	显示HDFS中指定的文件的读写权限、大小、创建时间、路径等信息；
（5）	给定HDFS中某一个目录，输出该目录下的所有文件的读写权限、大小、创建时间、路径等信息，如果该文件是目录，则递归输出该目录下所有文件相关信息；
（6）	提供一个HDFS内的文件的路径，对该文件进行创建和删除操作。如果文件所在目录不存在，则自动创建目录；
（7）	提供一个HDFS的目录的路径，对该目录进行创建和删除操作。创建目录时，如果目录文件所在目录不存在则自动创建相应目录；删除目录时，由用户指定当该目录不为空时是否还删除该目录；
（8）	向HDFS中指定的文件追加内容，由用户指定内容追加到原有文件的开头或结尾；
（9）	删除HDFS中指定的文件；
（10）	删除HDFS中指定的目录，由用户指定目录中如果存在文件时是否删除目录；
（11）	在HDFS中，将文件从源路径移动到目的路径。

package sy1;

import java.io.IOException;
import java.io.PrintStream;
import java.net.URI;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.*;

/**
 * 过滤掉文件名满足特定条件的文件 
 */
class MyPathFilter implements PathFilter {
     String reg = null; 
     MyPathFilter(String reg) {
          this.reg = reg;
     }
     public boolean accept(Path path) {
		if (!(path.toString().matches(reg)))
			return true;
		return false;
	}
}


/***
 * 利用FSDataOutputStream和FSDataInputStream合并HDFS中的文件
 */
public class MergeFile {
	Path inputPath = null; // 待合并的文件所在的目录的路径
	Path outputPath = null; // 输出文件的路径

	String hadoopUrl="192.168.242.129";
	String hadoopPort="9000";
	
	public MergeFile(String input, String output) {
		this.inputPath = new Path(input);
		this.outputPath = new Path(output);
	}

	public void doMerge() throws IOException {
		Configuration conf = new Configuration();
		conf.set("fs.defaultFS", "hdfs://"+hadoopUrl+"/:"+hadoopPort+"");
		conf.set("fs.hdfs.impl", "org.apache.hadoop.hdfs.DistributedFileSystem");
		FileSystem fsSource = FileSystem.get(URI.create(inputPath.toString()), conf);
		FileSystem fsDst = FileSystem.get(URI.create(outputPath.toString()), conf);
		// 下面过滤掉输入目录中后缀为.abc的文件
		FileStatus[] sourceStatus = fsSource.listStatus(inputPath, new MyPathFilter(".*\\.abc"));
		FSDataOutputStream fsdos = fsDst.create(outputPath);
		PrintStream ps = new PrintStream(System.out);
		// 下面分别读取过滤之后的每个文件的内容，并输出到同一个文件中
		for (FileStatus sta : sourceStatus) {
			// 下面打印后缀不为.abc的文件的路径、文件大小
			System.out.print(
					"路径：" + sta.getPath() + "    文件大小：" + sta.getLen() + "   权限：" + sta.getPermission() + "   内容：");
			FSDataInputStream fsdis = fsSource.open(sta.getPath());
			byte[] data = new byte[1024];
			int read = -1;

			while ((read = fsdis.read(data)) > 0) {
				ps.write(data, 0, read);
				fsdos.write(data, 0, read);
			}
			fsdis.close();
		}
		ps.close();
		fsdos.close();
	}

	public static void main(String[] args) throws IOException {
		MergeFile merge = new MergeFile("hdfs://192.168.242.129:9000/user/hadoop/input",
				"hdfs://192.168.242.129:9000/user/hadoop/input/merge.txt");
		merge.doMerge();
	}
}

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-bIEUVFpJ-1637591473580)(hadoop大数据.assets\image-20211029010516212.png)]

实验二-mapreduce

MapReduce编程实践1

1	作业题目
编程实现一个词频统计程序
2	作业目的
1.	理解Hadoop中MapReduce模块的处理逻辑
2.	熟悉MapReduce编程
3	实验平台
操作系统：Linux
工具：Eclipse或者Intellij Idea等Java IDE
4	实验内容和要求
1.	统计/user/hadoop/input文件夹下所有文件中每个单词出现的次数。
2.	假设：在Linux本地文件系统/usr/local/hadoop文件夹中有2个文本文件：wordfile1.txt, wordfile2.txt。这个txt文件的内容可以任意，也可以类似如下内容：
文件wordfile1.txt的内容如下： 
Hello Hadoop 
I love Hadoop
文件 wordfile2.txt的内容如下：
Hello Mapreduce lab
Mapreduce is good
3.	启动hadoop伪分布式，将Linux本地的两个文件wordfile1.txt和wordfile2.txt上传到/user/hadoop/input目录下。
4.	编写mapreduce程序，实现单词出现次数统计。统计结果保存到/user/hadoop/output文件夹。
5.	获取统计结果（给出截图或相关结果数据）

步骤

#创建input/sy2:
hdfs dfs -mkdir input/sy2
#创建本地文件
vim wordfile1.txt
vim wordfile2.txt
文件wordfile1.txt的内容如下： 
Hello Hadoop 
I love Hadoop
文件 wordfile2.txt的内容如下：
Hello Mapreduce lab
Mapreduce is good
#上传
hdfs dfs -put wordfile1.txt input/sy2
hdfs dfs -put wordfile2.txt input/sy2

直接执行程序

#配置环境
export CLASSPATH="/usr/local/hadoop/share/hadoop/common/hadoop-common-3.1.3.jar:/usr/local/hadoop/share/hadoop/mapreduce/hadoop-mapreduce-client-core-3.1.3.jar:/usr/local/hadoop/share/hadoop/common/lib/commons-cli-1.2.jar:$CLASSPATH"
#编译
javac WordCount.java
#连接
 jar -cvf WordCount.jar *.class
#执行
hadoop jar WordCount.jar WordCount input/sy2 output/sy2
#输出
hdfs dfs -cat output/sy2/*

输出结果

MapReduce编程实践2

1	作业题目
编程实现多个输入文件的合并和排序等操作。
2	作业目的
1.掌握基本的MapReduce编程方法；
2.掌握用MapReduce解决一些常见的数据处理问题，包括数据合并、去重、排序等。
3	实验平台
（1）操作系统：Linux（建议 Ubuntu18.04 或 Ubuntu20.04） 
（2）Hadoop 版本：3.1.3。
4	实验内容和要求
1.编程实现文件合并和去重操作
对于两个输入文件，即文件A和文件B，请编写MapReduce程序，对两个文件进行合并，并剔除其中重复的内容，得到一个新的输出文件C。下面是输入文件和输出文件的一个样例供参考。
    输入文件A的样例如下：
	20210101     x
	20210102     y
	20210103     x
	20210104     y
	20210105     z
	20210106     x

输入文件B的样例如下：
20210101      y
20210102      y
20210103      x
20210104      z
20210105      y

根据输入文件A和B合并得到的输出文件C的样例如下：
20210101      x
20210101      y
20210102      y
20210103      x
20210104      y
20210104      z
20210105      y
20210105      z
20210106      x

2. 编写程序实现对输入文件的排序
现在有多个输入文件，每个文件中的每行内容均为一个整数。要求读取所有文件中的整数，进行升序排序后，输出到一个新的文件中，输出的数据格式为每行两个整数，第一个数字为第二个整数的排序位次，第二个整数为原待排列的整数。下面是输入文件和输出文件的一个样例供参考。
输入文件1的样例如下：
33
37
12
40

输入文件2的样例如下：
4
16
39
5

输入文件3的样例如下：
1
45
25

根据输入文件1、2和3得到的输出文件如下：
1 1
2 4
3 5
4 12
5 16
6 25
7 33
8 37
9 39
10 40
11 45

访问参数的配置

package sy1;
/**
* @author 潘彬
* @version 创建时间：2021年10月29日 上午1:25:41
* 类说明
*/
public class HADOOP {
	public static String hadoopUrl="hdfs://192.168.242.129:9000";
	public static String[] sy2Args1={"hdfs://192.168.242.129:9000/user/hadoop/input/sy2/1",
			"hdfs://192.168.242.129:9000/user/hadoop/output/sy2/1/C.txt"};
	public static String[] sy2Args2={"hdfs://192.168.242.129:9000/user/hadoop/input/sy2/2",
	"hdfs://192.168.242.129:9000/user/hadoop/output/sy2/2/"};
}

程序1

vim A
vim B   

程序上传后：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ZwyaFxoJ-1637591473585)(hadoop大数据.assets\image-20211029123236150.png)]

//编程实现文件合并和去重操作
package sy2;

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.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;

import sy1.HADOOP;
public class Merge {
	/**
* @param args
* 对 A,B 两个文件进行合并，并剔除其中重复的内容，得到一个新的输出文件 C
*/
//重载 map 函数，直接将输入中的 value 复制到输出数据的 key 上
public static class Map extends Mapper<Object, Text, Text, Text>{
	private static Text text = new Text();
	public void map(Object key, Text value, Context context) throws 
IOException,InterruptedException{
		text = value;
		context.write(text, new Text(""));
} }
//重载 reduce 函数，直接将输入中的 key 复制到输出数据的 key 上
public static class Reduce extends Reducer<Text, Text, Text, Text>{
public void reduce(Text key, Iterable<Text> values, Context context ) 
throws IOException,InterruptedException{
	context.write(key, new Text(""));
} }
public static void main(String[] args) throws Exception{
// TODO Auto-generated method stub
	Configuration conf = new Configuration();
	conf.set("fs.default.name",HADOOP.hadoopUrl);
	
	
	String[] otherArgs = HADOOP.sy2Args1; /* 直接设置输入参数
*/
	if (otherArgs.length != 2) {
		System.err.println("Usage: wordcount <in><out>");
		System.exit(2);
	}
	Job job = Job.getInstance(conf,"Merge and duplicate removal");
	job.setJarByClass(Merge.class);
	job.setMapperClass(Map.class);
	job.setCombinerClass(Reduce.class);
	job.setReducerClass(Reduce.class);
	job.setOutputKeyClass(Text.class);
	job.setOutputValueClass(Text.class);
	FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
	FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
	System.exit(job.waitForCompletion(true) ? 0 : 1);
	} 
}

执行程序后的结果

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-6BY79kEs-1637591473587)(hadoop大数据.assets\image-20211029121809753.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-HZnsZnWP-1637591473588)(hadoop大数据.assets\image-20211029121819169.png)]

hdfs dfs -cat output/sy2/1/*

输出：

程序2

创建文件并上传

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-bRxk7HGu-1637591473591)(hadoop大数据.assets\image-20211029123051977.png)]

//输入文件的排序代码
package sy2;

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.Mapper;
import org.apache.hadoop.mapreduce.Partitioner;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;

import sy1.HADOOP;


public class MergeSort {
	/**
	* @param args
	* 输入多个文件，每个文件中的每行内容均为一个整数
	* 输出到一个新的文件中，输出的数据格式为每行两个整数，第一个数字为第二个整
	数的排序位次，第二个整数为原待排列的整数
	*/
	//map 函数读取输入中的 value，将其转化成 IntWritable 类型，最后作为输出 key
	public static class Map extends Mapper<Object, Text, IntWritable, IntWritable>{
	private static IntWritable data = new IntWritable();
	public void map(Object key, Text value, Context context) throws 
IOException,InterruptedException{
		String text = value.toString();
		data.set(Integer.parseInt(text));
		context.write(data, new IntWritable(1));
		} 
	}
	//reduce 函数将 map 输入的 key 复制到输出的 value 上，然后根据输入的 value-list中元素的个数决定 key 的输出次数,定义一个全局变量 line_num 来代表 key 的位次
	public static class Reduce extends Reducer<IntWritable, IntWritable, 
IntWritable, IntWritable>{
	private static IntWritable line_num = new IntWritable(1);
	public void reduce(IntWritable key, Iterable<IntWritable> values, Context 
context) throws IOException,InterruptedException{
	for(IntWritable val : values){
		context.write(line_num, key);
		line_num = new IntWritable(line_num.get() + 1);
		} 
	}
}
	//自定义 Partition 函数，此函数根据输入数据的最大值和 MapReduce 框架中Partition 的数量获取将输入数据按照大小分块的边界，然后根据输入数值和边界的关系返回对应的 Partiton ID
	public static class Partition extends Partitioner<IntWritable, IntWritable>{
		public int getPartition(IntWritable key, IntWritable value, int num_Partition){
			int Maxnumber = 65223;//int 型的最大数值
			int bound = Maxnumber/num_Partition+1;
			int keynumber = key.get();
			for (int i = 0; i<num_Partition; i++){
				if(keynumber<bound * (i+1) && keynumber>=bound * i){
				return i;
				} 
			}
			return -1;
		} 
	}
	public static void main(String[] args) throws Exception{
	// TODO Auto-generated method stub
	Configuration conf = new Configuration();
	conf.set("fs.default.name",HADOOP.hadoopUrl);
	String[] otherArgs = HADOOP.sy2Args2; /* 直接设置输入参数
*/
	if (otherArgs.length != 2) {
		System.err.println("Usage: wordcount <in><out>");
		System.exit(2);
		}
	Job job = Job.getInstance(conf,"Merge and sort");
	job.setJarByClass(MergeSort.class);
	job.setMapperClass(Map.class);
	job.setReducerClass(Reduce.class);
	job.setPartitionerClass(Partition.class);
	job.setOutputKeyClass(IntWritable.class);
	job.setOutputValueClass(IntWritable.class);
	FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
	FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
	System.exit(job.waitForCompletion(true) ? 0 : 1);
	} 
}

程序执行完成

输出命令：hdfs dfs -cat output/sy2/2/*