流量比较大的日志要是直接写入Hadoop对Namenode负载过大，所以入库前合并，可以把各个节点的日志凑并成一个文件写入HDFS。 根据情况定期合成，写入到hdfs里面。
咱们看看日志的大小，200G的dns日志文件，我压缩到了18G，要是用awk perl当然也可以，但是处理速度肯定没有分布式那样的给力。
Hadoop Streaming原理
mapper和reducer会从标准输入中读取用户数据，一行一行处理后发送给标准输出。Streaming工具会创建MapReduce作业，发送给各个tasktracker，同时监控整个作业的执行过程。
任何语言，只要是方便接收标准输入输出就可以做mapreduce~
再搞之前我们先简单测试下shell模拟mapreduce的性能速度~
看下他的结果，350M的文件用时35秒左右。
这是2G的日志文件，居然用了3分钟。 当然和我写的脚本也有问题，我们是模拟mapreduce的方式，而不是调用shell下牛逼的awk，gawk处理。
awk的速度 ！果然很霸道，处理日志的时候，我也很喜欢用awk，只是学习的难度有点大，不像别的shell组件那么灵活简单。
这是官方的提供的两个demo ~
map.py
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
#!/usr/bin/env python
""
"A more advanced Mapper, using Python iterators and generators."
""
import
sys
def read_input(file):
for
line
in
file:
# split the line into words
yield line.split()
def main(separator=
'\t'
):
# input comes from STDIN (standard input)
data = read_input(sys.stdin)
for
words
in
data:
# write the results to STDOUT (standard output);
# what we output here will be the input
for
the
# Reduce step, i.e. the input
for
reducer.py
#
# tab-delimited; the trivial word count
is
1
for
word
in
words:
print
'%s%s%d'
% (word, separator,
1
)
if
__name__ ==
"__main__"
:
main()
|
reduce.py的修改方式
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
|
#!/usr/bin/env python
""
"A more advanced Reducer, using Python iterators and generators."
""
from itertools
import
groupby
from operator
import
itemgetter
import
sys
def read_mapper_output(file, separator=
'\t'
):
for
line
in
file:
yield line.rstrip().split(separator,
1
)
def main(separator=
'\t'
):
# input comes from STDIN (standard input)
data = read_mapper_output(sys.stdin, separator=separator)
# groupby groups multiple word-count pairs by word,
# and creates an iterator that returns consecutive keys and their group:
# current_word - string containing a word (the key)
# group - iterator yielding all [
"<current_word>"
,
"<count>"
] items
for
current_word, group
in
groupby(data, itemgetter(
0
)):
try
:
total_count = sum(
int
(count)
for
current_word, count
in
group)
print
"%s%s%d"
% (current_word, separator, total_count)
except ValueError:
# count was not a number, so silently discard
this
item
pass
if
__name__ ==
"__main__"
:
main()
|
咱们再简单点：
|
1
2
3
4
5
6
7
|
#!/usr/bin/env python
import
sys
for
line
in
sys.stdin:
line = line.strip()
words = line.split()
for
word
in
words:
print
'%s\t%s'
% (word,
1
)
|
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
|
#!/usr/bin/env python
from operator
import
itemgetter
import
sys
current_word = None
current_count =
0
word = None
for
line
in
sys.stdin:
line = line.strip()
word, count = line.split(
'\t'
,
1
)
try
:
count =
int
(count)
except ValueError:
continue
if
current_word == word:
current_count += count
else
:
if
current_word:
print
'%s\t%s'
% (current_word, current_count)
current_count = count
current_word = word
if
current_word == word:
print
'%s\t%s'
% (current_word, current_count)
|
咱们就简单模拟下数据，跑个测试
剩下就没啥了，在hadoop集群环境下，运行hadoop的steaming.jar组件，加入mapreduce的脚本，指定输出就行了. 下面的例子我用的是shell的成分。
|
1
2
3
4
5
|
[root@
101
cron]#$HADOOP_HOME/bin/hadoop jar $HADOOP_HOME/contrib/streaming/hadoop-*-streaming.jar \
-input myInputDirs \
-output myOutputDir \
-mapper cat \
-reducer wc
|
详细的参数，对于咱们来说提供性能可以把tasks的任务数增加下，根据情况自己测试下，也别太高了，增加负担。
（1）-input：输入文件路径
（2）-output：输出文件路径
（3）-mapper：用户自己写的mapper程序，可以是可执行文件或者脚本
（4）-reducer：用户自己写的reducer程序，可以是可执行文件或者脚本
（5）-file：打包文件到提交的作业中，可以是mapper或者reducer要用的输入文件，如配置文件，字典等。
（6）-partitioner：用户自定义的partitioner程序
（7）-combiner：用户自定义的combiner程序（必须用java实现）
（8）-D：作业的一些属性（以前用的是-jonconf），具体有：
1）mapred.map.tasks：map task数目
2）mapred.reduce.tasks：reduce task数目
3）stream.map.input.field.separator/stream.map.output.field.separator： map task输入/输出数
据的分隔符,默认均为\t。
4）stream.num.map.output.key.fields：指定map task输出记录中key所占的域数目
5）stream.reduce.input.field.separator/stream.reduce.output.field.separator：reduce task输入/输出数据的分隔符，默认均为\t。
6）stream.num.reduce.output.key.fields：指定reduce task输出记录中key所占的域数目
这里是统计dns的日志文件有多少行 ~
在mapreduce作为参数的时候，不能用太多太复杂的shell语言，他不懂的~
可以写成shell文件的模式；
|
1
2
3
4
5
6
7
8
|
#! /bin/bash
while
read LINE;
do
#
for
word
in
$LINE
#
do
# echo
"$word 1"
awk
'{print $5}'
done
done
|
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
#! /bin/bash
count=
0
started=
0
word=
""
while
read LINE;
do
goodk=`echo $LINE | cut -d
' '
-f
1
`
if
[
"x"
== x
"$goodk"
];then
continue
fi
if
[
"$word"
!=
"$goodk"
];then
[ $started -ne
0
] && echo -e
"$word\t$count"
word=$goodk
count=
1
started=
1
else
count=$(( $count +
1
))
fi
done
|
有时候会出现这样的问题，好好看看自己写的mapreduce程序 ~
13/12/14 13:26:52 INFO streaming.StreamJob: Tracking URL: http://101.rui.com:50030/jobdetails.jsp?jobid=job_201312131904_0030
13/12/14 13:26:53 INFO streaming.StreamJob: map 0% reduce 0%
13/12/14 13:27:16 INFO streaming.StreamJob: map 100% reduce 100%
13/12/14 13:27:16 INFO streaming.StreamJob: To kill this job, run:
13/12/14 13:27:16 INFO streaming.StreamJob: /usr/local/hadoop/libexec/../bin/hadoop job -Dmapred.job.tracker=localhost:9001 -kill job_201312131904_0030
13/12/14 13:27:16 INFO streaming.StreamJob: Tracking URL: http://101.rui.com:50030/jobdetails.jsp?jobid=job_201312131904_0030
13/12/14 13:27:16 ERROR streaming.StreamJob: Job not successful. Error: # of failed Map Tasks exceeded allowed limit. FailedCount: 1. LastFailedTask: task_201312131904_0030_m_000000
13/12/14 13:27:16 INFO streaming.StreamJob: killJob...
Streaming Command Failed!
python做为mapreduce执行成功后，结果和日志一般是放在你指定的目录下的，结果是在part-00000文件里面~
下面咱们谈下，如何入库和后台的执行
