一个完整的hadoop程序开发过程

目的

说明hadoop程序开发过程

前提条件

ubuntu或同类OS

java1.6.0_45

eclipse-indigo

hadoop-0.20.2

hadoop-0.20.2-eclipse-plugin.jar

各项版本一定要匹配，否则出了问题都不知道是什么原因。

配置

配置Java

详见：Ubuntu下搭建JAVA开发环境及卸载

配置分布式Hadoop

详见：hadoop 0.20.2伪分布式安装详解

伪分布式与分布式有两点主要区别：

1. 在namenode节点配置完成hadoop以后，需要用scp把hadoop复制到datanode节点，为了方便，最好全部机器的路径都是一样的，比如都在/opt/hadoop-0.20.2中。
2. conf目录下的masters文件要把默认的localhost改成namenode节点的主机名或IP地址，Slaves文件中，要把localhost改成datanode节点的主机名或IP

 

eclipse的hadoop插件配置

hadoop-0.20.2-eclipse-plugin.jar是一个 eclipse中的hadoop插件。

它的作用是实现了HDFS的可视化操作，如果没有它，就要在大量地在终端输入命令，每个命令都是以bin/hadoop dfs开头。

如果你是新手，可能还觉得很新鲜，如果很熟悉命令的话，就会觉得很烦。新手总会变成老手，所以这个插件还是有必要的。

下面简单说一下配置过程：

eclipse和hadoop-eclipse-plugin这套插件的版本要求非常高，一定要高度匹配才能用。另一篇博文写了一部分对应关系：https://www.cnblogs.com/Sabre/p/10621064.html

1.下载hadoop-0.20.2-eclipse-plugin.jar，自行搜索。官网不太容易找旧版本。

2.把此jar放到eclipse插件目录下，一般是plugins目录

重新启动eclipse，如果版本正确，此时在eclipse中的project exporer中应该可以看到DFS Locations项。如果没有出现，很可能是版本的问题。

3.配置Hadoop所在目录。eclipse-->window菜单-->Preferences-->Hadoop Map/Reduce，右侧输入或选择你的Hadoop目录

4.显示Map/Reduce Locations窗口。eclipse-->window菜单-->Open Perspective-->Other，选择蓝色的小象图标Map/Reduce，会在下面出黄色的小象窗口，Map/Reduce Locations

5.配置Hadoop Location。Map/Reduce Locations中右键，New Hadoop Location，出现配置窗口，location name随便你写。下面的Map/Reduce Master框中的host，如果是分布式就用IP或主机名，不要用默认的localhost。port改成9000。DFS Master框中的Use M/R Master host默认打勾保持不变，下面的Port改成9001 。user name 一般默认中不中 ，

至此，eclipse的hadoop插件就配置完成了。

编写程序

以下的程序是从《hadoop实战》中脱胎出来的，之所以说脱胎，是因为原书中的代码缺少很多条件，不加以完善是无法运行的。这本书写得不好，感觉是为了评职称之类的事情，让学生给凑的，里面很多硬伤。之所以还在硬着头皮看下去，是因为多少还是讲了一些东西，同时也挑战一下自己，面对不那么完善的环境时，能否解决问题，而不是一味地寻找更好的教材，这是在豆瓣上写的一篇书评：https://book.douban.com/review/10071283/

1.打开eclipse，新建java项目。右键项目，properties，Java Builder Path，Libraries，Add External JARS，找到hadoop的目录，把根目录下的几个jar包都添加进来。

2.新建类，Score_process.java，复制粘贴以下代码：

package pkg1;

import java.net.URI;
import java.util.Iterator;
import java.util.StringTokenizer;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
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.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;

public  class Score_process extends Configured implements Tool {

    //内部类Map
    public static class Map extends Mapper<LongWritable, Text, Text, IntWritable> {

        //map方法
        public void map(LongWritable key, Text value, Context context) throws java.io.IOException ,InterruptedException {

            System.out.println("key值：" + key);
            String line = value.toString();//将输入的纯文本文件的数据转化为string

            //将输入的数据按行分割
            StringTokenizer tokenizerArticle = new StringTokenizer(line, "\n");

            //分别对每一行进行处理
            while (tokenizerArticle.hasMoreTokens()) {

                //每行按空格划分
                StringTokenizer tokenizerLine = new StringTokenizer(tokenizerArticle.nextToken());
                String nameString = tokenizerLine.nextToken();
                String scoreString = tokenizerLine.nextToken();
                Text name = new Text(nameString);
                int scoreInt = Integer.parseInt(scoreString);
                context.write(name, new IntWritable(scoreInt));//输出姓名和成绩
            }
        };
    }

    //内部类Reduce
    public static class Reduce extends Reducer<Text, IntWritable, Text, IntWritable> {

        //reduce方法
        public void reduce(Text key, java.lang.Iterable<IntWritable> values, Context context) throws java.io.IOException ,InterruptedException {

            int sum=0;
            int count=0;
            Iterator<IntWritable> iterator = values.iterator();

            while (iterator.hasNext()) {
                sum += iterator.next().get();
                count++;
            }

            int average = (int)sum/count;
            context.write(key, new IntWritable(average));
        };

    }    

    public int run(String[] args) throws Exception {

        Configuration configuration = getConf();

        //configuration.set("mapred", "Score_Process.jar");

        //准备环境，删除已经存在的output2目录，保证输出目录不存在**开始************
        final String uri = "hdfs://192.168.1.8:9000/";
        FileSystem fs = FileSystem.get(URI.create(uri),configuration);
        final String path = "/user/grid/output2";
        boolean exists = fs.exists(new Path(path));
        if(exists){
            fs.delete(new Path(path),true);
        }
        //准备环境，删除已经存在的output2目录，保证输出目录不存在**结束************

        Job job= new Job(configuration);

        job.setJobName("Score_process");
        job.setJarByClass(Score_process.class);

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

        job.setMapperClass(Map.class);

        job.setCombinerClass(Reduce.class);
        job.setReducerClass(Reduce.class);

        job.setInputFormatClass(TextInputFormat.class);
        job.setOutputFormatClass(TextOutputFormat.class);

        FileInputFormat.setInputPaths(job, new Path(args[0]));
//        System.out.println(new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));

        boolean success = job.waitForCompletion(true);    

        return success ? 0:1;

    }

    public static void main(String[] args) throws Exception {

        int ret = ToolRunner.run(new Score_process1(), args);

        System.exit(ret);
    }
}

以上的代码中，有不少是套路，固定的模板。

Map是处理输入参数中给定的文本文件，处理完毕后，输出到HDFS，供reduce调用。 context.write(name, new IntWritable(scoreInt));这一句是关键。

Reduce调用map方法的结果，reduce后，写到OS文件系统。context.write(key, new IntWritable(average));这一句是关键。

整个run方法，需要改的只有setJobName和setJarByClass类的名字，其他的不用动。

整个main方法，不用动。

程序部分基本上就是这样。

编译

终端中输入

javac -classpath /opt/hadoop-0.20.2/hadoop-0.20.2-core.jar -d ~/allTest/ScoreProcessFinal/class ~/workspace-indigo/test5/src/pkg1/Score_process.java

如果没有报错，就说明编译成功。

打包

jar -cvf ~/allTest/ScoreProcessFinal/ScoreProcessFinal.jar -C ~/allTest/ScoreProcessFinal/class .

可以用以下命令查看包里的文件：
jar vtf ~/allTest/ScoreProcessFinal/ScoreProcessFinal.jar

执行

执行可以分为两种方式，一种在eclipse中，另一种在终端。

eclipse中运行

配置运行参数。run configurations，arguments，Program arguments：

文本框中输入：hdfs://host-thinkpad:9000/user/grid/input2 hdfs://host-thinkpad:9000/user/grid/output2

就是输入目录和输出目录，注意中间有个空格。

终端中运行

/opt/hadoop-0.20.2/bin/hadoop jar ~/allTest/ScoreProcessFinal/ScoreProcessFinal.jar pkg1.Score_process1 input2 output2

这就是hadoop开发的全过程框架。

其实在此期间发生了很多各种各样的问题，分别记录在各个博文中了。