`
qindongliang1922
  • 浏览: 2183965 次
  • 性别: Icon_minigender_1
  • 来自: 北京
博客专栏
7265517b-f87e-3137-b62c-5c6e30e26109
证道Lucene4
浏览量：117536
097be4a0-491e-39c0-89ff-3456fadf8262
证道Hadoop
浏览量：125921
41c37529-f6d8-32e4-8563-3b42b2712a50
证道shell编程
浏览量：59912
43832365-bc15-3f5d-b3cd-c9161722a70c
ELK修真
浏览量：71301
社区版块
存档分类
最新评论

万法归宗之Hadoop编程无界限

hadoopjsoupxml 
阅读更多
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： 
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： 

package com.dhgate.search.rate.convert;

import java.io.File;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.FilenameFilter;
import java.io.IOException;
import java.util.Map;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.FileSplit;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;

import com.dhgate.parse.xml.tools.HDFSParseXmlTools;
import com.sun.xml.bind.v2.schemagen.xmlschema.Import;

/**
 * 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： 
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： 
<project name="${component.name}" basedir="." default="jar">
	<property environment="env"/>
	 
	<!-- <property name="hadoop.home" value="${env.HADOOP_HOME}"/>  -->
	 
    <property name="hadoop.home" value="E:/hadooplib"/>  
	<!-- 指定jar包的名字 -->
	<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>
 		        	<!-- 移除绝对路径 -->
 		        	<flattenmapper />
 		        	<!-- 加上lib前缀 -->
 		        	<globmapper from="*" to="lib/*" />
 		       </chainedmapper>
 		     </mapper>
 		     <path refid="lib-classpath" />
 		</pathconvert>
 		
 		<jar basedir="bin" destfile="${jar.name}" >
 			<include name="**/*"/>
 			<!-- define MANIFEST.MF -->
 			<manifest>
				<attribute name="Class-Path" value="${my.classpath}" />
 			</manifest>
 		</jar>
 	</target>
</project>

至此，我们以及完成了，这个小项目的开发，最终回归当生产环境上，我们是需要打成jar包，在linux上定时执行的，直接使用linux环境来开发调试hadoop，遇到的问题会更少，虽然不推荐使用win直接开发hadoop程序，但是了解一些基本的方法和技巧，对我们来说也是一件不错的事情。


最后欢迎大家扫码关注微信公众号：我是攻城师（woshigcs）
本公众号的内容是有关搜索和大数据技术和互联网等方面内容的分享，也是一个温馨的技术互动交流的小家园，有什么问题随时都可以留言，欢迎大家来访！





  • 大小: 51.5 KB
  • 大小: 7.5 KB
  • 大小: 16.6 KB
1
顶
1
踩
分享到：
| 备忘几个有用的shell脚本
评论
发表评论

您还没有登录,请您登录后再发表评论

相关推荐

Magicbox
Global site tag (gtag.js) - Google Analytics