Hadoop: Menjalankan MapReduce Job
Sumber: http://www.bogotobogo.com/Hadoop/BigData_hadoop_Running_MapReduce_Job.php
Persiapan MapReduce
Sebelum kita melompat ke dalam pemrograman MapReduce, kita mungkin perlu untuk membicarakan langkah-langkah persiapan yang biasa diambil. Karena MapReduce biasanya beroperasi pada data yang besar, kita perlu mempertimbangkan langkah-langkah sebelum kita benar-benar melakukan MapReduce itu.
Struktur yang mendasari filesystem HDFS sangat berbeda dari sistem file normal kami. Ukuran blok yang sedikit lebih besar, dan ukuran blok yang sebenarnya untuk cluster kami tergantung pada konfigurasi cluster seperti yang ditunjukkan pada gambar di bawah: 64, 128, atau 256 MB. Jadi, kita mungkin perlu memiliki blok dengan dipartisi yang dikustomisasi.
Sumber Gambar : Hadoop MapReduce Fundamentals.
Pertimbangan lain adalah di mana kita akan mengambil data kita dalam rangka untuk melakukan operasi MapReduce atau pemrosesan paralel di atasnya. Meskipun kami akan bekerja dengan Hadoop filesystem, kita dapat mengeksekusi algoritma MapReduce terhadap informasi yang tersimpan di lokasi yang berbeda dengan filesystem native, penyimpanan awan seperti Amazon S3 bucket, atau Windows Azure blob.
Pertimbangan lain adalah output dari MapReduce hasil pekerjaan yang berubah. Jadi, output kami adalah one-time output, dan ketika keluaran baru yang dihasilkan, kita memiliki nama file baru untuk itu.
Pertimbangan terakhir dalam mempersiapkan MapReduce adalah tentang logika yang akan kita tulis, dan harus sesuai dengan situasi yang akan kita atasi. Kita akan menulis logika dalam beberapa bahasa pemrograman, perpustakaan, atau alat untuk memetakan data, dan kemudian mengurangi, dan kemudian kita memiliki beberapa output.
Perhatikan juga bahwa kita akan bekerja dengan pasangan kunci-nilai, sehingga terlepas dari format data yang masuk, kami ingin menampilkan pasangan kunci-nilai.
Perintah Shell Hadoop
Sebelum menjalankan Job MapReduce, kita perlu mengetahui beberapa perintah shell Hadoop. Ada baiknya membaca
Menjalankan MapReduce Job
Lakukan
cd /usr/local/hadoop ls
bin include libexec logs README.txt share etc lib LICENSE.txt NOTICE.txt sbin
Jalankan
hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-2.4.1.jar pi 2 5
Number of Maps = 2 Samples per Map = 5 14/07/14 01:28:02 WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable Wrote input for Map #0 Wrote input for Map #1 Starting Job 14/07/14 01:28:07 INFO Configuration.deprecation: session.id is deprecated. Instead, use dfs.metrics.session-id 14/07/14 01:28:07 INFO jvm.JvmMetrics: Initializing JVM Metrics with processName=JobTracker, sessionId= 14/07/14 01:28:07 INFO input.FileInputFormat: Total input paths to process : 2 14/07/14 01:28:07 INFO mapreduce.JobSubmitter: number of splits:2 14/07/14 01:28:09 INFO mapreduce.JobSubmitter: Submitting tokens for job: job_local1228885165_0001 ... File Input Format Counters Bytes Read=236 File Output Format Counters Bytes Written=97 Job Finished in 6.072 seconds Estimated value of Pi is 3.60000000000000000000
Hadoop FileSystem (HDFS)
Files are stored in the Hadoop Distributed File System (HDFS). Suppose we're going to store a file called data.txt in HDFS.
This file is 160 megabytes. When a file is loaded into HDFS, it's split into chunks which are called blocks. The default size of each block is 64 megabytes. Each block is given a unique name, which is blk, an underscore, and a large number. In our case, the first block is 64 megabytes. The second block is 64 megabytes. The third block is the remaining 32 megabytes, to make up our 160 megabyte file.
HDFS_Cloud.png
As the file is uploaded to HDFS, each block will get stored on one node in the cluster. There's a Daemon running on each of the machines in the cluster, and it is called the DataNode. Now, we need to know which blocks make up the original file. And that's handled by a separate machine, running the Daemon called the NameNode. The information stored on the NameNode is known as the Metadata.
NoSQL.png
HDFS Commands
While Hadoop is running, let's create hdfsTest.txt in our home directory:
hduser@k:~$ echo "hdfs test" > hdfsTest.txt
Then, we want to create Home Directory in HDFS :
hduser@ubuntu:~$ hadoop fs -mkdir -p /user/hduser
We can copy file hdfsTest.txt from local disk to the user's directory in HDFS:
hduser@ubuntu:~$ hadoop fs -copyFromLocal hdfsTest.txt hdfsTest.txt
We could have used put instead of copyFromLocal:
hduser@ubuntu:~$ hadoop fs -put hdfsTest.txt
Get a directory listing of the user's home directory in HDFS:
hduser@k:~$ hadoop fs -ls Found 1 items -rw-r--r-- 1 hduser supergroup 5 2014-07-14 01:49 hdfsTest.txt
If we want to display the contents of the HDFS file /user/hduser/hdfsTest.txt:
hduser@ubuntu:~$ hadoop fs -cat /user/hduser/hdfsTest.txt
copy that file to the local disk from HDFS, named as hdfsTest2.txt :
hduser@k:~$ hadoop fs -copyToLocal /user/hduser/hdfsTest.txt hdfsTest2.txt
hduser@k:~$ ls hdfsTest2.txt hdfsTest.txt
To delete the file from Hadoop HDFS:
hduser@k:~$ hadoop fs -rm hdfsTest.txt
hduser@k:~$ hadoop fs -ls hduser@k:~$
Hadoop Setup for Development
HadoopSetup.png
Picture source : Hadoop MapReduce Fundamentals.
Throughout my tutorials on Hadoop Echo Systems, I used:
Hadoop Binaries - Local (Linux), Cloudera's Demo VM, and AWS for Cloud. Data Storage - Local (HDFS Pseudo-distributed, single-node) and Cloud. MapReduce - Both Local and Cloud.
Ways to MapReduce
Java is the most common language to use, but other languages can be used: WayToMapReduces.png
Picture source : Hadoop MapReduce Fundamentals.