万法归宗之Hadoop编程无界限

我是攻城师

发布于 2018-05-11 17:37:38

9480

记录下，散仙今天的工作以及遇到的问题和解决方案，俗话说，好记性不如烂笔头，写出来文章，供大家参考，学习和点评，进步，才是王道，废话不多说，下面切入主题： 先介绍下需求： 散仙要处理多个类似表的txt数据，当然只有值，列名什么的全部在xml里配置了，然后加工这些每个表的每一行数据，生成特定的格式基于ASCII码1和ASCII码2作为分隔符的一行数据，ASCII2作为字段名和字段值的分隔符，ASCII1作为字段和字段之间的分隔符，每解析一个txt文件时，都要获取文件名，然后与xml中的schema信息映射并找到对应位置的值，它的列名，前提是，这些的txt的内容位置，是固定的，然后我们知道它每一行属于哪个表结构的映射，因为这些映射信息是提前配置在xml中的，如下图：

当然类似这样的结构有20个左右的表文件，到时候，我们的数据方，会给我们提供这些txt文件，然后散仙需要加工成特定的格式，然后写入HDFS，由我们的索引系统使用MapReduce批量建索引使用。本来想直接用java写个单机程序，串行处理，然后写入HDFS，后来一想假如数据量比较大，串行程序还得改成多线程并行执行，这样改来改去，倒不如直接使用MapReduce来的方便 ok，说干就干，测试环境已经有一套CDH5.3的hadoop2.5集群，直接就在eclipse进行开发和MapReduce程序的调试，反正也好久也没手写MapReduce了，前段时间，一直在用Apache Pig分析数据，这次处理的逻辑也不复杂，就再写下练练手， CDH的集群在远程的服务器上，散仙本机的hadoop是Apache Hadoop2.2的版本，在使用eclipse进行开发时，也没来得及换版本，理论上最好各个版本，不同发行版，之间对应起来开发比较好，这样一般不会存在兼容性问题，但散仙这次就懒的换了，因为CDH5.x之后的版本，是基于社区版的Apache Hadoop2.2之上改造的，接口应该大部分都一致，当然这只是散仙猜想的。（1）首先，散仙要搞定的事，就是解析xml了，在程序启动之前需要把xml解析，加载到一个Map中，这样在处理每种txt时，会根据文件名来去Map中找到对应的schma信息，解析xml，散仙直接使用的jsoup，具体为啥，请点击散仙这篇 http://qindongliang.iteye.com/blog/2162519文章，在这期间遇到了一个比较蛋疼的问题，简直是一个bug，最早散仙定义的xml是每个表，一个table标签，然后它下面有各个property的映射定义，但是在用jsoup的cssQuery语法解析时，发现总是解析不出来东西，按照以前的做法，是没任何问题的，这次简直是开玩笑了，后来就是各种搜索，测试，最后才发现，将table标签，换成其他的任何标签都无任何问题，具体原因，散仙还没来得及细看jsoup的源码，猜测table标签应该是一个关键词什么的标签，在解析时会和html的table冲突，所以在xml解析中失效了，花了接近2个小时，求证，检验，终于搞定了这个小bug。（2）搞定了这个问题，散仙就开始开发调试MapReduce版的处理程序，这下面临的又一个问题，就是如何使用Jsoup解析存放在HDFS上的xml文件，有过Hadoop编程经验的人，应该都知道，HDFS是一套分布式的文件系统，与我们本地的磁盘的存储方式是不一样的，比如你在正常的JAVA程序上解析在C:\file\t.tx或者在linux上/home/user/t.txt，所编写的程序在Hadoop上是无法使用的，你得使用Hadoop提供的编程接口获取它的文件信息，然后转成字符串之后，再给jsoup解析。（3）ok，第二个问题搞定之后，你得编写你的MR程序，处理对应的txt文本，而且保证不同的txt里面的数据格式，所获取的scheaml是正确的，所以在map方法里，你要获取当然处理文件的路径，然后做相应判断，在做对应处理。（4）很好，第三个问题搞定之后，你的MR的程序，基本编写的差不多了，下一步就改考虑如何提交到Hadoop的集群上，来调试程序了，由于散仙是在Win上的eclipse开发的，所以这一步可能遇到的问题会很多，而且加上，hadoop的版本不一致与发行商也不一致，出问题也纯属正常。这里多写一点，一般建议大家不要在win上调试hadoop程序，这里的坑非常多，如果可以，还是建议大家在linux上直接玩，下面说下，散仙今天又踩的坑，关于在windows上调试eclipse开发, 运行Yarn的MR程序，散仙以前也记录了文章，感兴趣者，可以点击这个链接 http://qindongliang.iteye.com/blog/2078452地址。 （5）提交前，是需要使用ant或maven或者java自带的导出工具，将项目打成一个jar包提交的，这一点大家需要注意下，最后测试得出，Apache的hadoop2.2编写的MR程序，是可以直接向CDH Hadoop2.5提交作业的，但是由于hadoop2.5中，使用google的guice作为了一个内嵌的MVC轻量级的框架，所以在windows上打包提交时，需要引入额外的guice的几个包，截图如下：

上面几步搞定后，打包整个项目，然后运行成功，过程如下：

Java代码

输出路径存在，已删除！
2015-04-08 19:35:18,001 INFO [main] client.RMProxy (RMProxy.java:createRMProxy(56)) - Connecting to ResourceManager at /172.26.150.18:8032
2015-04-08 19:35:18,170 WARN [main] mapreduce.JobSubmitter (JobSubmitter.java:copyAndConfigureFiles(149)) - Hadoop command-line option parsing not performed. Implement the Tool interface and execute your application with ToolRunner to remedy this.
2015-04-08 19:35:21,156 INFO [main] input.FileInputFormat (FileInputFormat.java:listStatus(287)) - Total input paths to process : 2
2015-04-08 19:35:21,219 INFO [main] mapreduce.JobSubmitter (JobSubmitter.java:submitJobInternal(394)) - number of splits:2
2015-04-08 19:35:21,228 INFO [main] Configuration.deprecation (Configuration.java:warnOnceIfDeprecated(840)) - user.name is deprecated. Instead, use mapreduce.job.user.name
2015-04-08 19:35:21,228 INFO [main] Configuration.deprecation (Configuration.java:warnOnceIfDeprecated(840)) - mapred.jar is deprecated. Instead, use mapreduce.job.jar
2015-04-08 19:35:21,228 INFO [main] Configuration.deprecation (Configuration.java:warnOnceIfDeprecated(840)) - fs.default.name is deprecated. Instead, use fs.defaultFS
2015-04-08 19:35:21,229 INFO [main] Configuration.deprecation (Configuration.java:warnOnceIfDeprecated(840)) - mapred.reduce.tasks is deprecated. Instead, use mapreduce.job.reduces
2015-04-08 19:35:21,229 INFO [main] Configuration.deprecation (Configuration.java:warnOnceIfDeprecated(840)) - mapred.mapoutput.value.class is deprecated. Instead, use mapreduce.map.output.value.class
2015-04-08 19:35:21,230 INFO [main] Configuration.deprecation (Configuration.java:warnOnceIfDeprecated(840)) - mapreduce.map.class is deprecated. Instead, use mapreduce.job.map.class
2015-04-08 19:35:21,230 INFO [main] Configuration.deprecation (Configuration.java:warnOnceIfDeprecated(840)) - mapred.job.name is deprecated. Instead, use mapreduce.job.name
2015-04-08 19:35:21,230 INFO [main] Configuration.deprecation (Configuration.java:warnOnceIfDeprecated(840)) - mapreduce.inputformat.class is deprecated. Instead, use mapreduce.job.inputformat.class
2015-04-08 19:35:21,230 INFO [main] Configuration.deprecation (Configuration.java:warnOnceIfDeprecated(840)) - mapred.input.dir is deprecated. Instead, use mapreduce.input.fileinputformat.inputdir
2015-04-08 19:35:21,230 INFO [main] Configuration.deprecation (Configuration.java:warnOnceIfDeprecated(840)) - mapred.output.dir is deprecated. Instead, use mapreduce.output.fileoutputformat.outputdir
2015-04-08 19:35:21,230 INFO [main] Configuration.deprecation (Configuration.java:warnOnceIfDeprecated(840)) - mapreduce.outputformat.class is deprecated. Instead, use mapreduce.job.outputformat.class
2015-04-08 19:35:21,231 INFO [main] Configuration.deprecation (Configuration.java:warnOnceIfDeprecated(840)) - mapred.map.tasks is deprecated. Instead, use mapreduce.job.maps
2015-04-08 19:35:21,233 INFO [main] Configuration.deprecation (Configuration.java:warnOnceIfDeprecated(840)) - mapred.mapoutput.key.class is deprecated. Instead, use mapreduce.map.output.key.class
2015-04-08 19:35:21,233 INFO [main] Configuration.deprecation (Configuration.java:warnOnceIfDeprecated(840)) - mapred.working.dir is deprecated. Instead, use mapreduce.job.working.dir
2015-04-08 19:35:21,331 INFO [main] mapreduce.JobSubmitter (JobSubmitter.java:printTokens(477)) - Submitting tokens for job: job_1419419533357_5012
2015-04-08 19:35:21,481 INFO [main] impl.YarnClientImpl (YarnClientImpl.java:submitApplication(174)) - Submitted application application_1419419533357_5012 to ResourceManager at /172.21.50.108:8032
2015-04-08 19:35:21,506 INFO [main] mapreduce.Job (Job.java:submit(1272)) - The url to track the job: http://http://dnode1:8088/proxy/application_1419419533357_5012/
2015-04-08 19:35:21,506 INFO [main] mapreduce.Job (Job.java:monitorAndPrintJob(1317)) - Running job: job_1419419533357_5012
2015-04-08 19:35:33,777 INFO [main] mapreduce.Job (Job.java:monitorAndPrintJob(1338)) - Job job_1419419533357_5012 running in uber mode : false
2015-04-08 19:35:33,779 INFO [main] mapreduce.Job (Job.java:monitorAndPrintJob(1345)) - map 0% reduce 0%
2015-04-08 19:35:43,885 INFO [main] mapreduce.Job (Job.java:monitorAndPrintJob(1345)) - map 100% reduce 0%
2015-04-08 19:35:43,902 INFO [main] mapreduce.Job (Job.java:monitorAndPrintJob(1356)) - Job job_1419419533357_5012 completed successfully
2015-04-08 19:35:44,011 INFO [main] mapreduce.Job (Job.java:monitorAndPrintJob(1363)) - Counters: 27
File System Counters
FILE: Number of bytes read=0
FILE: Number of bytes written=166572
FILE: Number of read operations=0
FILE: Number of large read operations=0
FILE: Number of write operations=0
HDFS: Number of bytes read=47795
HDFS: Number of bytes written=594
HDFS: Number of read operations=12
HDFS: Number of large read operations=0
HDFS: Number of write operations=4
Job Counters
Launched map tasks=2
Data-local map tasks=2
Total time spent by all maps in occupied slots (ms)=9617
Total time spent by all reduces in occupied slots (ms)=0
Map-Reduce Framework
Map input records=11
Map output records=5
Input split bytes=252
Spilled Records=0
Failed Shuffles=0
Merged Map outputs=0
GC time elapsed (ms)=53
CPU time spent (ms)=2910
Physical memory (bytes) snapshot=327467008
Virtual memory (bytes) snapshot=1905754112
Total committed heap usage (bytes)=402653184
File Input Format Counters
Bytes Read=541
File Output Format Counters
Bytes Written=594
true

最后附上核心代码，以作备忘： （1）Map Only作业的代码：

Java代码

/**
* 加工处理数据格式
*
* @author qindongliang 2015年04月07日
*
* **/
public class StoreConvert {
//log4j记录
static Logger log=LoggerFactory.getLogger(StoreConvert.class);
/**
* 转换支持的格式
*
* **/
private static class FormatMapper extends Mapper<LongWritable, Text, NullWritable, Text>{
@Override
protected void map(LongWritable key, Text value,Context context)throws IOException, InterruptedException {
String filename = ((FileSplit) context.getInputSplit()).getPath().getName().split("\\.")[0];
//System.out.println("文件名是： "+filename);
//log.info("读取的文件名是: "+filename);
String vs[]=value.toString().split(",");
if(HDFSParseXmlTools.map.get(filename)!=null){
Map<String, String> m=HDFSParseXmlTools.map.get(filename);
StringBuffer sb=new StringBuffer();
for(int i=0;i<vs.length;i++){
//字段\2值
if(i==vs.length-1){
sb.append(m.get(i+"")).append("\2").append(vs[i]);
}else{
sb.append(m.get(i+"")).append("\2").append(vs[i]).append("\1");
}
}
context.write(NullWritable.get(), new Text(filename+" == "+sb.toString()));
}
}
}
public static void main(String[] args) throws Exception {
// System.setProperty("HADOOP_USER_NAME", "root");
Configuration conf=new Configuration();
// getConf(conf);
conf.set("mapreduce.job.jar", "searchrate.jar");
conf.set("fs.defaultFS","hdfs://172.21.50.108:8020");
conf.set("mapreduce.framework.name", "yarn");
conf.set("mapred.remote.os", "Linux");
conf.set("yarn.resourcemanager.scheduler.address", "172.21.50.108:8030");
conf.set("yarn.resourcemanager.address", "172.21.50.108:8032");
// System.exit(0);
Job job=Job.getInstance(conf, "formatdata");
job.setJarByClass(StoreConvert.class);
// System.out.println("模式： "+conf.get("mapreduce.jobtracker.address"));;
job.setMapperClass(FormatMapper.class);
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(Text.class);
job.setInputFormatClass(TextInputFormat.class);
job.setOutputFormatClass(TextOutputFormat.class);
job.setNumReduceTasks(0);//Map Only作业
String path = "/tmp/qin/out";
FileSystem fs = FileSystem.get(conf);
Path p = new Path(path);
if (fs.exists(p)) {
fs.delete(p, true);
System.out.println("输出路径存在，已删除！");
}
FileInputFormat.setInputPaths(job, "/tmp/qin/testfile/");
FileOutputFormat.setOutputPath(job, p);
System.out.println(job.waitForCompletion(true));
}
}

使用解析HDFS上xml文件的代码：

Java代码

package com.dhgate.parse.xml.tools;
import java.io.BufferedReader;
import java.io.InputStreamReader;
import java.util.HashMap;
import java.util.HashSet;
import java.util.List;
import java.util.Map;
import java.util.Map.Entry;
import java.util.Set;
import java.util.TreeMap;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
/**
* Created by qindongliang on 15-4-6.
* 大数据交流群：415886155
*/
public class HDFSParseXmlTools {
private final static Logger log= LoggerFactory.getLogger(HDFSParseXmlTools.class);
//存储元数据信息
public static Map<String, Map<String, String>> map=new HashMap<String, Map<String,String>>();
static Configuration conf=new Configuration();
static FileSystem fs=null;
static{
log.info("初始化加载mapping.xml开始.......");
try{
conf.set("fs.defaultFS","hdfs://172.21.50.108:8020/");
fs=FileSystem.get(conf);//获取conf对象
Path xml =new Path("/tmp/qin/mapping.xml");//读取HDFS的xml文件
BufferedReader br=new BufferedReader(new InputStreamReader(fs.open(xml)));//获取输入流
StringBuffer sb=new StringBuffer();//声明一个buffer对象用来存储xml文件内容
String line;
line=br.readLine();//读取第一行
sb.append(line);//追加到StringBuffer中
while (line != null){
line=br.readLine();//循环读取
sb.append(line);//循环追加
}
// System.out.println(sb.toString());
br.close();//释放资源
Document d=Jsoup.parse(sb.toString(),"UTF-8");//解析xml
Set<String> set=new HashSet<String>();//排除，不需要解析的文件
List<Element> excludes=d.select("exclude");
for(Element ee:excludes){
set.add(ee.text().trim());
}
List<Element> tables=d.select("type");
for(Element t:tables){
String num=t.attr("num");
String name=t.attr("name");
String indexname=t.attr("indexname");
if(set.contains(name)){
log.info("跳过的表名："+name);
continue;
}
// System.out.println(" 序号: "+num+" 表名： "+name+" 索引名: "+indexname);
Map<String, String> data=new TreeMap<String, String>();
for(Element s:t.select("map")){
// System.out.println("----------------------"+s.attr("pos")+" "+s.attr("field")+" "+s.attr(""));
String pos=s.attr("pos");//位置信息
String field=s.attr("field");//索引字段名
data.put(pos, field);
}
map.put(name, data);//将此表名对应的映射信息存储到map里
}
}catch(Exception e){
//e.printStackTrace();
log.error("加载映射文件异常!",e);
}
}
public static void parseXml()throws Exception{
}
public static void main(String[] args) throws Exception{
System.out.println();
for(Entry<String, Map<String, String>> m:map.entrySet()){
System.out.println("表名："+m.getKey());
// for(Entry<String, String> me:m.getValue().entrySet()){
// System.out.println(me.getKey()+" "+me.getValue());
// }
// System.out.println("==================================================");
}
}
}

项目结构如下图：

Ant的打包脚本如下：

Java代码

<project name="${component.name}" basedir="." default="jar">
<property environment="env"/>
<property name="hadoop.home" value="E:/hadooplib"/>
<property name="jar.name" value="searchrate.jar"/>
<path id="project.classpath">
<fileset dir="lib">
<include name="*.jar" />
</fileset>
<fileset dir="${hadoop.home}">
<include name="**/*.jar" />
</fileset>
</path>
<target name="clean" >
<delete dir="bin" failonerror="false" />
<mkdir dir="bin"/>
</target>
<target name="build" depends="clean">
<echo message="${ant.project.name}: ${ant.file}"/>
<javac destdir="bin" encoding="utf-8" debug="true" includeantruntime="false" debuglevel="lines,vars,source">
<src path="src"/>
<exclude name="**/.svn" />
<classpath refid="project.classpath"/>
</javac>
<copy todir="bin">
<fileset dir="src">
<include name="*config*"/>
</fileset>
</copy>
</target>
<target name="jar" depends="build">
<copy todir="bin/lib">
<fileset dir="lib">
<include name="**/*.*"/>
</fileset>
</copy>
<copy todir="bin/lib">
<fileset dir="${hadoop.home}">
<include name="**/*.*"/>
</fileset>
</copy>
<path id="lib-classpath">
<fileset dir="lib" includes="**/*.jar" />
</path>
<pathconvert property="my.classpath" pathsep=" " >
<mapper>
<chainedmapper>
<flattenmapper />
<globmapper from="*" to="lib/*" />
</chainedmapper>
</mapper>
<path refid="lib-classpath" />
</pathconvert>
<jar basedir="bin" destfile="${jar.name}" >
<include name="**/*"/>
<manifest>
<attribute name="Class-Path" value="${my.classpath}" />
</manifest>
</jar>
</target>
</project>