2015-10-14
1.计算云查杀日志2015-09-28 => 2015-10-11两周spe_num=502306的uv/pv
2.尝试验证来电秀日志和v5日志wid,imei对应情况
2015-10-16
1.学习使用云图跑hive程序
2.利用计算平台查找云查杀一个月spe_num=501833的日志
3.学习hive的分区分桶方式，以及hive优化方法
2015-10-19
1.完成1个月云查杀日志spe_num=501833UV/PV的统计
2.申请mongodb测试环境，并进行了简单添删改查语句的测试
3.将2015-10-15一天的来电秀日志进行imei去重，准备验证它与v5日志的wid的对应情况
2015-10-20
求一天来电秀日志和v5日志imei的交集，具体步骤是：
1.来电秀日志、v5日志imei去重
2.两份日志分别进行排序
3.顺序比较两份日志的imei及wid对应情况。对于一个imei在两份日志中wid对应的数量进行计数统计，对于不能对应的情况进行imei和wid的输出。时间复杂度O(max(n,m)),n=v5日志数量，m=来电秀日志数量。
注：由于每个日志数据量将近7000万行，数据处理速度较慢。
2015-10-22
1.完成来电秀、v5日志wid对应情况统计任务
2.学习ElasticSearch相关知识
2015-10-23
1.我在es小集群上建立dlc_datamining/phone_info/wid的文档（document）
例如：http://eseng1.safe.lycc.qihoo.net:9200/dlc_datamining/phone_info/0ff24eec0b6a6153522be24dabe422f0
目前的文档内容是{"imei":"xxxx","imsi":"xxxx","phone_num":"xxxx"}，这个以后再扩充
目前依然在用php跑，比较慢，插入了40多万条，主要瓶颈在http请求。
后来看了看文档，发现可以用bulk模式打包插入。我已经配置好了官方的python sdk，正在用python改写建库的程序。
2.学习python和ElasticSearch的知识
2015-10-26
用java重写了在es插入phone_info的程序，原因是官方的java api文档比较详细，而且java支持多线程。
目前已经插入了6500万+条数据，统计信息可以参考http://eseng1.safe.lycc.qihoo.net:9200/_cat/indices?v
目前java程序是用bulk每1000条数据批量插入，但似乎有个别数据遗漏而未插入的情况，问题原因有待查找。根据参考资料分析，有可能是批量条数过大的原因。
2015-10-27
1.通过IPC日志hi.ADSTAG字段统计16日有卫士无se/极速的用户安装了哪些软件
2.计算2015-10-14 ~ 2015-10-18 ，全量ipc_mid_adstag，约1.7亿
3.利用hadoop生成2015-10-15的v5日志wid和相应的imei、mac、ip、brand等信息（JSON格式），以便之后插入到ES中
2015-10-28
在build17自己的目录下：
1.鉴于PHP开发效率较高，自己配置了官方es_php_sdk的环境
2.编译安装了新版本的PHP，并安装了SSH、多线程扩展
3.es_php_sdk官方文档比较简略，所以在自己做了基于PHP在es集群插入、更新和upsert等操作，熟悉官方ES PHP API的使用。
4.2015-10-15的v5日志的json信息已经在hadoop集群中生成
2015-11-2
1.将来电秀和v5日志的wid和相应的imei、imsi、mac、ip、brand等信息在hadoop上合并，并生成json，以避免在es合并更新json效率不高的问题
2.学习hadoop的MultipleOutputs的用法，用以对将mapreduce结果输出到指定文件夹。例如：将wid对应一个mid的结果输出到one2one目录，而wid对应多个mid的结果输出到one2many目录
2015-11-3
1.参考http://stackoverflow.com/questions/18541503/multiple-output-files-for-hadoop-streaming-with-python-mapper的方法，利用MultipleTextOutputFormat将将wid对应一个mid的结果分别输出到one2one目录和one2many目录
2.通过PHP的多线程库向ES中插入手机信息，主要性能瓶颈在HTTP请求
2015-11-5
1.继续深入学习es平台的功能和用法
2.学习Hadoop平台全排序和TotalOrderPartitioner类的用法，以提高两个日志merge的速度
3.尝试在先在hadoop上筛选出需要新插入ES的WID再到ES中插入，以提高效率
2015-11-6
鉴于每天完成向ES插入信息的数据处理量较大（独立wid≈1.2亿左右），为了提高向ES插入手机信息的效率，正在按照以下思路实现：
1.在HDFS存储已插入的数据（总量），总量数据基于wid全排序，并以wid前2位为前缀分组。
2.每次插入增量数据时，根据wid前两位从HDFS读取相应文件，进行归并排序，同时能够筛选出未插入的和数据存在变化的wid，时间复杂度o(n)
3.将筛选出的需要插入ES的数据每1000条通过ES的java api进行bulk操作
4.将排序好的数据重新写入总量文件
------------------------------------
以上过程需要使用Hadoop和ES的java api。由于之前一直使用PHP写MapReduce程序，所以现在在结合《hadoop权威指南》这本书在熟悉通过java写MapReduce的方法，以及文件分组、全排序、二进制输入输出、数据压缩、缓存文件等hadoop的高级特性。
2015-11-9
继续编写向ES插入数据的JAVA程序
1.尝试用HADOOP内置的MapWritable和ArrayWritable序列化数据，发现需要自己完成数据的解析和大量的装箱拆箱操作，效率不高；
所以改用第三方的JSON库序列化数据，效果较好，不过由于是直接存储字符串，如果不压缩生成文件较大。
2.由于用JAVA写HADOOP程序不易调试，期间出现了一些细节问题花了较多的时间解决，好在现在程序基本能跑通
3.下一步是结合上ES的API将数据插入，并在计算平台上跑定时任务，正在实现中...
2015-11-10
1.完成了通过Hadoop向ES插入数据的java程序，并插入了一天的数据
2.由于原始日志格式解析的问题，手机号插入了错误数据，一开始的解决方案是：先用update将手机号列删除，再update正确的数据。
但是，通过查询资料发现，es使用的lucene引擎是只读的，也就是说update操作后台会先get，再merge，再delete，在insert，效率极低。
因此只能将数据全部delete再重新插入。
-----------------------------
以上是个教训：
由于数据量大，es写入数据效率等问题，写程序每一步都要小心谨慎，并且应该在小范围内做好测试。
java写hadoop+es不易调试的问题依旧不好解决
2015-11-11
1.学习了用MRUnit对mapreduce程序做单元测试的方法
2.利用MRUnit测试在reduce中merge另一个HDFS文件中数据的算法
3.将测试成功的算法应用到实际Mapreduce程序中
4.出于对MRUnit在本机模拟MR环境机制的好奇，查看了部分MRUnit的源代码，了解到mockito这个java模拟测试类库，学习了模拟测试的方法
2015-11-13
1.之前在hadoop保存的es插入数据缺少一个文件（part-r-00339),原因未知。重新跑了插入es的mapreduce，结果正常了
3.在reduce程序cleanup处理es的bulk操作时忽略了边界检查，导致mr程序报错，修改后运行成功，但由于数据量较大，花费了不少时间
2.终于在计算平台将插入es数据的周期任务跑了起来
2015-11-16
1.在计算平台跑的es插入mobile信息的任务，有一些文件访问权限问题，进行了修改。
2.原来是mr程序是保存增量+前一日全量，即今日全量，同时删除昨日全量，现在改为每天保存增量+前日全量，便于日后查验
3.阅览了es的java api的部分源代码，特别是网络通信部分，发现java api是通过socket通信而非http，但协议并不比http简单，且实现部分较复杂。
4.由于java开发使用ide能够提高效率，而windows下并不顺手，安装了centos虚拟机并进行了简单配置，但虚拟机性能堪忧，图形界面较卡顿。
2015-11-17
1.解决es批量提交过载导致timeout的问题，解决方法是：
①加入catch（ElasticsearchTimeoutException)的错误处理
②timeout参数增加至60秒
再次运行未抛异常，避免了50%的reduce程序需要重试2次的问题
2.结合hadoop的源代码学习了hadoop及hdfs的安全认证机制
3.学习hadoop的RPC通信协议，及实现方法
4.深入学习es的搜索功能
2015-11-19 ~ 2015-11-20
1.深入学习了ES的查询API，以及在JAVA中查询ES中数据的方法.
特别注意：
默认情况下ES会对插入的数据进行分词处理，这对精准查询有影响，会默认去掉符号，并按空格分词，所以如果插入的是整个字符串而不想让ES分析，需在建立索引前加入如下选项，这对于今后的查询和搜索影响很大。
PUT /my_store {
"mappings" : {
"products" : {
"properties" : {
"productID" : {
"type" : "string",
"index" : "not_analyzed"
}
}
}
}
}
2.通过源代码，深入学习了hadoop的通信机制
3.学习了hadoop RPC协议用到的java动态代理的原理和实现方法
2015-11-23 ~ 2015-11-25
1.帮助李伟使用HIVE查询云查杀日志中指定mid的数据，并按指定方式去重
2.之前es中的mid是从v5日志中提取的，在es中查询mid的过程中发现了mid大量重复的问题，咨询陈明后得知原因是v5中部分mid并不是真实值，而是写死的。
于是利用备份数据重建了es中的索引，并删除了mid列
3.mid数据重新从wid2mid日志中获取，并录入到es中
4.解决了hadoop跑es录入程序过慢的问题：由于v5日志是大量小文件组成的，如果不用CombineTextInputFormat格式则map数量多达19万多，运行一次mapreduce需要3个多小时（一天数据量），因为map默认无法跨文件运行。
加入CombineTextInputFormat输入格式后map数缩减到3000+，时间缩短到半个小时。
由此结合hadoop权威指南深入学习了hadoop分片、分区、分组机制
5.发现如果输入文件使用MultipleInputs，路径中不能有逗号，结合源代码发现这是一个hadoop自身的bug，因为配置文件设置格式为“<path 1>,<mapper class 1>;<path 2>,<mapper class 2>”，path与mapper间按逗号分隔，
如果Path中再含有逗号会导致异常，也就是说路径中不能用含有逗号的通配符，如/xxx/2015{11,12}/在使用MultipleInputs设置路径时会报错
2015-11-27
1.为了解决每次运行mr任务需要上传的第三方jar包过大的问题（和mr程序打包在一个jar)，打算利用hadoop的分布式缓存将已经存在于hdfs的jar设置成classpath，
但是没有目前成功，会出现class not found的错误。
2.为此结合源代码深入学习了hadoop的分布式缓存和java的classloader机制，
问题可能出在路径引用上，
正在逐步解决
2015-12-11
1.hadoop计算平台的HDFS分块为256M，而不是默认的64M，所以在map分片控制上需要特别注意。
2.HDFS的分块不能跨文件，即使1kb的文件也会占用一块，但这个分块大小（如256M）是逻辑单位（hadoop处理文件的最小单位），实际1kb的文件占用HDFS磁盘大小仍为1kb。
3.有些业务的原始日志文件是由许多小文件(几M）组成的，如V5升级和云查杀，通常设置输入格式为CombineTextInputFormat能够解决分片粒度问题。
但hadoop在处理输入时会调用InputFormat子类实现的List<InputSplit> getSplit()方法，InputSplit会包含输入路径，当大量小文件作为输入路径时
，会出现OutOfMemory的异常（比如将2天的云查杀日志作为输入，即使JVM设置2G堆内存也不够）。hive同样回出现以上问题。
这个问题会导致，即便数据量不大，但由于数据是由海量小文件组成的，仍然需要分成几个Job来跑，大大限制了hadoop的运算能力。
针对这个问题的解决思路是：
①瓶颈出在List<InputSplit>这个容器会占用大量内存，其实将所有输入目录都保存到list是没有必要的。
通过源代码可知hadoop最终会将分片信息写入job.split文件，并将其上传到job的临时目录，map task只依赖这个文件作为输入分片信息。
所以可以自己生成这个文件（生成方法源码很清晰），FileSystem的listLocatedStatus方法会返回RemoteIterator<LocatedFileStatus>迭代器，所以可以通过类似stream的方式将输入文件信息写入到job.split，从而避免内存溢出。
②多线程版本的listLocatedStatus可以参考最新版本（2.7)的hadoop源代码，实现稍复杂，但可以加快读取大量小文件目录的速度。
③可根据需求适当参考CombineFileInputFormat类的getSplit方法自己实现小文件的combine操作。
4.写mapreduce输入文路径时应尽量避免（小心）使用通配符，例如dir目录下包含2万个文件（没有子目录），java版的mr程序使用input=/dir/*和input=/dir/的效果相同，但是后者比前者快将近10倍，可以使用hadoop fs -ls测试。
这与hadoop读取文件路径的实现方式有关。
2015-12-21
1.用php的curl模块向es中录入数据应该设置curl_setopt($ch, CURLOPT_HTTPHEADER, array("Expect:")); 选项，否则curl会先向es握手确认（expect:100），es响应http code : 100,再传输数据，比较影响效率。
2.hadoop streaming模式下结合-inputformat org.apache.hadoop.mapred.lib.CombineTextInputFormat选项，并合理设置
-D mapred.max.split.size=$[10*1024*1024*1024]
-D mapred.max.num.blocks.per.split=99999999
能显著提高input总量大且由大量文件组成的mr作业的运行效率（如云查杀日志）。
java程序同理。
3.hadoop streaming模式可以通过环境变量获取hadoop的configuration信息，只需将jobconf变量名的"."变为"_"即可，例如php中要在运行时获取mapred.input.dir的值，只需$var=getenv(‘mapred_input_dir‘);即可。
这极大方便了基于streaming模式mr程序的开发。
原文：http://www.cnblogs.com/birikin/p/5264876.html