基于Java的Hadoop文件处理系统:高效分布式数据解析与存储

本文涉及的产品
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
公共DNS(含HTTPDNS解析),每月1000万次HTTP解析
简介: 本文介绍了如何借鉴Hadoop的设计思想,使用Java实现其核心功能MapReduce,解决海量数据处理问题。通过类比图书馆管理系统,详细解释了Hadoop的两大组件:HDFS(分布式文件系统)和MapReduce(分布式计算模型)。具体实现了单词统计任务,并扩展支持CSV和JSON格式的数据解析。为了提升性能,引入了Combiner减少中间数据传输,以及自定义Partitioner解决数据倾斜问题。最后总结了Hadoop在大数据处理中的重要性,鼓励Java开发者学习Hadoop以拓展技术边界。

引子

随着移动互联网时代的到来,大数据时代 也随之而至。无数的信息流与数据流在各种系统和设备中涌动,如何高效地存储与处理这些海量数据,成为了当今技术领域的一大挑战。作为Apache旗下的分布式存储与计算框架,Hadoop 一直在大数据处理领域占有重要地位,凭借其强大的扩展性和可靠性,广泛应用于各类大规模数据处理任务。

本文将借鉴Hadoop的设计思想,使用Java实现其一大核心功能:MapReduce(分布式计算模型),以此展示如何通过并行计算解决海量数据处理问题。

认识Hadoop

既然是要借鉴设计,自然也就需要我们先对Hadoop来细细地“盘”一下,毕竟工欲善其事必先利其器。那么,就让我来用很多人都做过的图书管理系统来帮大家梳理一下。

1.Hadoop本身:图书馆管理系统

想象你是一家超大型图书馆的馆长,这个图书馆有成千上万的书籍Hadoop就是一个强大的管理系统,可以帮助你有效地存储管理处理这些书籍的信息。
01.png
那么作为管理这些图书的Hadoop此时就面临着两个关键问题需要解决:

  • 如何存储大量书籍(相当于海量数据)
  • 如何快速找到、处理这些书籍的信息(相当于对数据进行计算和分析)。

为了实现这两个目标,Hadoop就引入了HDFSMapReduce,它们分别负责存储和处理数据。

2.HDFS:图书馆的书架和仓库系统

HDFS(Hadoop Distributed File System)负责数据存储,就像图书馆中的书架和仓库系统,负责存储所有的书籍。
02.png
它的存储方式结合图书馆具有以下几个特点:

  • 分布式存储:图书馆的书架并不是集中在一个房间里,而是分布在多个房间(节点)中,每个房间只存储一部分书籍。类似地,HDFS 会将文件切分为多个数据块,分别存储在不同的节点上。
  • 数据块与分片存储:如果某本书非常厚,图书馆会将它 分成多个部分(数据块),分别存放在不同的房间(节点)中。这样可以加快数据的并行读取,同时避免单个节点的存储压力。HDFS 采用相同的策略,将大文件切分为多个块存储在不同的机器上。
  • 冗余备份与容错性:为了避免某个房间的书架损坏(节点故障)导致书籍丢失,图书馆会将重要的书籍(数据块)复制多份,并存储在不同的房间中。这样,即使某个节点出现故障,仍然可以从其他节点恢复数据。
  • 数据管理者:NameNode 与 DataNode

    1.NameNode:相当于图书馆的馆长,负责管理所有书籍的目录和位置信息。馆长不会亲自存储书籍,但他知道每本书在哪个房间的哪个书架上(即元数据)。

    2.DataNode就像是图书馆中的房间管理员,负责实际存储书籍(数据块)。每个房间的管理员只知道自己管理的书籍,而不关心其他房间的情况。

3.MapReduce:图书馆的任务分配系统

在图书馆的管理系统中,除了需要分布式存储书籍外,还需要对这些书籍进行查询、统计和分析工作。为了高效处理这些任务,图书馆采用了MapReduce来对任务进行分配。这个系统通过将任务拆分为多个步骤,并行分配给不同的管理员(节点),从而加快任务的执行速度。
03.png
MapReduce主要分为两个阶段:Map阶段Reduce阶段

3-1.Map阶段(映射阶段)

假设你想知道图书馆里每本书的借阅次数。图书馆不会让一个管理员去统计所有书籍的借阅信息,而是将统计任务分配给多个房间的管理员。每个管理员只负责统计自己房间内的书籍借阅情况,并生成一个中间结果。这就是 Map阶段:每个节点负责处理自己存储的数据,生成键值对结果。

对应到实际的Hadoop系统中,Map阶段会将大规模的数据集分成多个小块,由不同的节点并行处理。每个节点负责处理自己的一部分数据,并输出中间的键值对结果。

3-2.Reduce阶段(归约阶段)

当每个房间的管理员将统计结果交给馆长后,馆长会将这些结果汇总,得到整个图书馆的借阅统计信息。这就是 Reduce 阶段:汇总Map阶段生成的键值对,得到最终的统计结果。

在 Hadoop 中,Reduce 阶段会接收来自多个Map任务的中间结果,并对这些结果进行汇总或聚合,最终生成用户所需要的输出结果。

3-3.并行与容错

每个房间的管理员可以同时统计各自房间书籍的数量,如果某个房间管理员今天请假了没来,馆长也会为这个房间指定一个临时管理员来接手任务。

MapReduce的最大优势在于它的并行处理能力。由于每个节点可以独立地处理自己的一部分数据,整个任务可以被拆分为多个小任务并行执行,这极大提高了任务的处理速度。此外,若某个节点在执行任务时发生故障,MapReduce系统能够自动重新分配任务,确保整个作业的顺利完成。

而这些也是我们今天需要实现的点。

技术实现

Hadoop在本地安装后,可以以两种模式运行,分别是本地模式和伪分布式模式。在本地模式下,它会在单个 JVM 实例中运行,不依赖于 HDFS、YARN 或 MapReduce。所有的计算都在本地机器的文件系统上进行。因此,更适合我们此时的快速开发和测试。当然,别忘了引入相关依赖:

<dependencies>
    <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-common</artifactId>
        <version>3.3.6</version>
    </dependency>
    <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-mapreduce-client-core</artifactId>
        <version>3.3.6</version>
    </dependency>
    <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-mapreduce-client-app</artifactId>
        <version>3.3.6</version>
    </dependency>
</dependencies>

实现MapReduce任务

首先,我们先通过Java实现一个简单的任务-统计一段文本中的单词出现次数。首先先来实现map接口,还记得我们前面提到的map阶段是各个节点处理自己的数据。在当前的任务下,就是对文本进行分词统计即可,代码如下:

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 java.io.IOException;

public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
   
    private final static IntWritable one = new IntWritable(1);
    private Text word = new Text();

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
   
        String[] words = value.toString().split("\s+");
        for (String w : words) {
   
            word.set(w);
            context.write(word, one);
        }
    }
}

map实现后,我们接下来继续reduce阶段,来汇总Mapper产生的中间结果,将相同单词的频次加起来。

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;

public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
   
    private IntWritable result = new IntWritable();

    @Override
    protected 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);
    }
}

最后是编写我们的任务入口,负责配置并提交MapReduce作业

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.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

public class WordCountJob {
   
    public static void main(String[] args) throws Exception {
   
        if (args.length != 2) {
   
            System.err.println("Usage: WordCountJob <input path> <output path>");
            System.exit(-1);
        }

        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf, "Word Count");

        job.setJarByClass(WordCountJob.class);
        job.setMapperClass(WordCountMapper.class);
        job.setReducerClass(WordCountReducer.class);

        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);

        FileInputFormat.addInputPath(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));

        System.exit(job.waitForCompletion(true) ? 0 : 1);
    }
}

我们准备一个txt文本,用我们的作业简单测试下效果,如下:
04.png

运行计数作业后,输出结果如下:
05.png
可以看到,我们这个简单的MapReduce任务就实现了。

更多的格式支持

在上面的例子里,我们用一个txt文本进行了测试。但在实际业务场景中,我们可能遇到更多形式的数据,因此,就需要我们在解析时能够支持多种数据格式,这里我们先以CSVJSON为例,为了处理它们,我们先导入相关依赖,如下:

 <!-- Apache Commons CSV -->
    <dependency>
        <groupId>org.apache.commons</groupId>
        <artifactId>commons-csv</artifactId>
        <version>1.9.0</version>
    </dependency>

    <!-- Jackson (用于解析JSON) -->
    <dependency>
        <groupId>com.fasterxml.jackson.core</groupId>
        <artifactId>jackson-databind</artifactId>
        <version>2.14.0</version>
    </dependency>

有了依赖的加持,我们可以通过便捷的api实现对csv和json数据的解析,把它们集成到map阶段,代码如下:

import org.apache.commons.csv.CSVFormat;
import org.apache.commons.csv.CSVParser;
import org.apache.commons.csv.CSVRecord;
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 java.io.IOException;
import java.io.StringReader;

public class CSVWordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
   
    private final static IntWritable one = new IntWritable(1);
    private Text word = new Text();

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
   
        // 使用Apache Commons CSV解析输入行
        String line = value.toString();
        CSVParser parser = CSVFormat.DEFAULT.parse(new StringReader(line));

        for (CSVRecord record : parser) {
   
            for (String field : record) {
   
                word.set(field.trim());
                context.write(word, one);
            }
        }
    }
}
import com.fasterxml.jackson.databind.JsonNode;
import com.fasterxml.jackson.databind.ObjectMapper;
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 java.io.IOException;

public class JSONWordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
   
    private final static IntWritable one = new IntWritable(1);
    private Text word = new Text();
    private ObjectMapper objectMapper = new ObjectMapper();

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
   
        // 使用Jackson解析JSON
        String jsonString = value.toString();
        JsonNode jsonNode = objectMapper.readTree(jsonString);

        // 假设我们要处理的字段是 "text"
        String text = jsonNode.get("text").asText();
        String[] words = text.split("\s+");

        for (String w : words) {
   
            word.set(w.trim());
            context.write(word, one);
        }
    }
}

但这里我们这里需要考虑扩展性,以后有更多格式的数据,需要怎么办?来吧,掏出我们的工厂模式,先创建一个通用工厂,如下:

public class MapperFactory {
   
    public static Class<? extends Mapper> getMapperClass(String format) {
   
        switch (format.toLowerCase()) {
   
            case "csv":
                return CSVWordCountMapper.class;
            case "json":
                return JSONWordCountMapper.class;
            default:
                return WordCountMapper.class; // 默认文本文件格式
        }
    }
}

然后再修改WordCountJob 来动态选择 Mapper,可以通过命令行参数或者配置文件来动态选择,代码如下:

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.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

public class WordCountJob {
   
    public static void main(String[] args) throws Exception {
   
        if (args.length != 3) {
   
            System.err.println("Usage: WordCountJob <input path> <output path> <format: text|csv|json>");
            System.exit(-1);
        }

        String inputPath = args[0];
        String outputPath = args[1];
        String format = args[2];  // 获取输入格式

        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf, "Word Count");

        job.setJarByClass(WordCountJob.class);

        // 根据输入格式动态设置Mapper
        job.setMapperClass(MapperFactory.getMapperClass(format));

        job.setReducerClass(WordCountReducer.class);

        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);

        FileInputFormat.addInputPath(job, new Path(inputPath));
        FileOutputFormat.setOutputPath(job, new Path(outputPath));

        System.exit(job.waitForCompletion(true) ? 0 : 1);
    }
}

这样,以后再有新的格式也就可以轻松扩展了。

性能调优

能够完成基本任务是远远不够的,现在我们就需要考虑性能优化。关于它的调优是一个多维度的过程,核心目标就是最大化利用集群资源,减少网络传输和I/O操作,确保任务在大规模数据环境下高效运行。 比如,合理配置Mapper和Reducer的数量使用Combiner减少数据传输调整Shuffle阶段的参数等等。我们这里就不泛泛而谈了,围绕我们上面的代码讲两个优化思路。

减少中间数据传输

Combiner可以在Mapper端对数据进行局部汇总,减少传递给Reducer的中间数据量。我们当前的单词统计任务就很适合用Combiner,如下:

job.setCombinerClass(WordCountReducer.class);  // 将Reducer类作为Combiner

这样,Mapper输出的数据会局部汇总后再传给Reducer,显著减少网络传输量,尤其是在处理大量数据时提升更为明显。

数据倾斜问题调优

对于单词统计任务,可能一个文本里某些单词出现的频率远高于其他单词,这样就可能导致某些Reducer的负载过重,也就是我们说的数据倾斜。它会导致某些Reducer接收到的数据远多于其他Reducer,进而导致整个作业的执行时间拖长。对于这个问题,我们的解决策略就是自定义 Partitioner 来更均匀地分配数据,代码如下:

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Partitioner;

public class CustomPartitioner extends Partitioner<Text, IntWritable> {
   
    @Override
    public int getPartition(Text key, IntWritable value, int numReduceTasks) {
   
        // 根据单词的首字母来进行分区
        char firstChar = key.toString().toLowerCase().charAt(0);
        if (firstChar >= 'a' && firstChar <= 'm') {
   
            return 0;  // 分配给Reducer 0
        } else {
   
            return 1;  // 分配给Reducer 1
        }
    }
}

然后,在作业中设置自定义 Partitioner,代码如下:

job.setPartitionerClass(CustomPartitioner.class);  // 使用自定义Partitioner

这种方式可以避免某些高频单词集中在同一个Reducer,导致的数据倾斜。

小结

本篇文章主要讲述如何实现一个基础的MapReduce作业,对于输入的数据的扩展性与任务性能调优也实现了一些方法,但在实际业务场景中,肯定远不止这些,更多时候需要结合实际去优化。目前在大数据领域,Hadoop仍然是一个重要的工具,对于Java程序员来说,如果有意扩展自己的边界向大数据领域发展,Hadoop还是很值得我们去学习的。

目录
相关文章
|
18天前
|
人工智能 自然语言处理 Java
FastExcel:开源的 JAVA 解析 Excel 工具,集成 AI 通过自然语言处理 Excel 文件,完全兼容 EasyExcel
FastExcel 是一款基于 Java 的高性能 Excel 处理工具,专注于优化大规模数据处理,提供简洁易用的 API 和流式操作能力,支持从 EasyExcel 无缝迁移。
88 9
FastExcel:开源的 JAVA 解析 Excel 工具,集成 AI 通过自然语言处理 Excel 文件,完全兼容 EasyExcel
|
4天前
|
SQL Java 数据库连接
如何在 Java 代码中使用 JSqlParser 解析复杂的 SQL 语句?
大家好,我是 V 哥。JSqlParser 是一个用于解析 SQL 语句的 Java 库,可将 SQL 解析为 Java 对象树,支持多种 SQL 类型(如 `SELECT`、`INSERT` 等)。它适用于 SQL 分析、修改、生成和验证等场景。通过 Maven 或 Gradle 安装后,可以方便地在 Java 代码中使用。
92 11
|
24天前
|
存储 SpringCloudAlibaba Java
【SpringCloud Alibaba系列】一文全面解析Zookeeper安装、常用命令、JavaAPI操作、Watch事件监听、分布式锁、集群搭建、核心理论
一文全面解析Zookeeper安装、常用命令、JavaAPI操作、Watch事件监听、分布式锁、集群搭建、核心理论。
【SpringCloud Alibaba系列】一文全面解析Zookeeper安装、常用命令、JavaAPI操作、Watch事件监听、分布式锁、集群搭建、核心理论
|
23天前
|
Java 数据库连接 Spring
反射-----浅解析(Java)
在java中,我们可以通过反射机制,知道任何一个类的成员变量(成员属性)和成员方法,也可以堆任何一个对象,调用这个对象的任何属性和方法,更进一步我们还可以修改部分信息和。
|
缓存 搜索推荐 NoSQL
大厂Java面试-分布式架构演进史(中)
大厂Java面试-分布式架构演进史(中)
152 0
大厂Java面试-分布式架构演进史(中)
|
存储 运维 Oracle
大厂Java面试-分布式架构演进史(上)
大厂Java面试-分布式架构演进史(上)
170 0
大厂Java面试-分布式架构演进史(上)
|
存储 负载均衡 算法
大厂Java面试-分布式架构演进史(下)
大厂Java面试-分布式架构演进史(下)
134 0
|
13天前
|
监控 Java
java异步判断线程池所有任务是否执行完
通过上述步骤,您可以在Java中实现异步判断线程池所有任务是否执行完毕。这种方法使用了 `CompletionService`来监控任务的完成情况,并通过一个独立线程异步检查所有任务的执行状态。这种设计不仅简洁高效,还能确保在大量任务处理时程序的稳定性和可维护性。希望本文能为您的开发工作提供实用的指导和帮助。
64 17
|
23天前
|
Java
Java—多线程实现生产消费者
本文介绍了多线程实现生产消费者模式的三个版本。Version1包含四个类:`Producer`(生产者)、`Consumer`(消费者)、`Resource`(公共资源)和`TestMain`(测试类)。通过`synchronized`和`wait/notify`机制控制线程同步,但存在多个生产者或消费者时可能出现多次生产和消费的问题。 Version2将`if`改为`while`,解决了多次生产和消费的问题,但仍可能因`notify()`随机唤醒线程而导致死锁。因此,引入了`notifyAll()`来唤醒所有等待线程,但这会带来性能问题。
Java—多线程实现生产消费者
|
8天前
|
缓存 安全 算法
Java 多线程 面试题
Java 多线程 相关基础面试题

推荐镜像

更多