hadoop-eclipse环境搭建（二）

Eclipse插件配置

　　第一步：把我们的"hadoop-eclipse-plugin-1.0.0.jar"放到Eclipse的目录的"plugins"中，然后重新Eclipse即可生效。

　　上面是我的"hadoop-eclipse-plugin"插件放置的地方。重启Eclipse如下图：

　　第二步：选择"Window"菜单下的"Preference"，然后弹出一个窗体，在窗体的左侧，有一列选项，里面会多出"Hadoop Map/Reduce"选项，点击此选项，选择Hadoop的安装目录（如我的Hadoop目录：E:\HadoopWorkPlat\hadoop-1.0.0）。结果如下图：

　　第三步：切换"Map/Reduce"工作目录，有两种方法：

　　1）选择"Window"菜单下选择"Open Perspective"，弹出一个窗体，从中选择"Map/Reduce"选项即可进行切换。

　　2）在Eclipse软件的右上角，点击图标""中的""，点击"Other"选项，也可以弹出上图，从中选择"Map/Reduce"，然后点击"OK"即可确定。

　　切换到"Map/Reduce"工作目录下的界面如下图所示。

　　第四步：建立与Hadoop集群的连接，在Eclipse软件下面的"Map/Reduce Locations"进行右击，弹出一个选项，选择"New Hadoop Location"，然后弹出一个窗体。

　　注意上图中的红色标注的地方，是需要我们关注的地方。

• Location Name：可以任意其，标识一个"Map/Reduce Location"
• Map/Reduce Master
  Host：192.168.1.2（Master.Hadoop的IP地址）
  Port：9001

• DFS Master 
  Use M/R Master host：前面的勾上。（因为我们的NameNode和JobTracker都在一个机器上。）
  Port：9000

• User name：hadoop（默认为Win系统管理员名字，因为我们之前改了所以这里就变成了hadoop。）

　　备注：这里面的Host、Port分别为你在mapred-site.xml、core-site.xml中配置的地址及端口。不清楚的可以参考"Hadoop集群_第5期_Hadoop安装配置_V1.0"进行查看。

　　接着点击"Advanced parameters"从中找见"hadoop.tmp.dir"，修改成为我们Hadoop集群中设置的地址，我们的Hadoop集群是"/usr/hadoop/tmp"，这个参数在"core-site.xml"进行了配置。

　　点击"finish"之后，会发现Eclipse软件下面的"Map/Reduce Locations"出现一条信息，就是我们刚才建立的"Map/Reduce Location"。

　　第五步：查看HDFS文件系统，并尝试建立文件夹和上传文件。点击Eclipse软件左侧的"DFS Locations"下面的"Win7ToHadoop"，就会展示出HDFS上的文件结构。

　　用SecureCRT远程登录"Master.Hadoop"服务器，用下面命令查看是否已经建立一个的文件夹。

hadoop fs -ls

　　到此为止，我们的Hadoop Eclipse开发环境已经配置完毕，不尽兴的同学可以上传点本地文件到HDFS分布式文件上，可以互相对比意见文件是否已经上传成功。

2、Eclipse上运行WordCount

创建MapReduce项目

　　从"File"菜单，选择"Other"，找到"Map/Reduce Project"，然后选择它。

　　接着，填写MapReduce工程的名字为"WordCountProject"，点击"finish"完成。

　　目前为止我们已经成功创建了MapReduce项目，我们发现在Eclipse软件的左侧多了我们的刚才建立的项目。

建立一个启动类 test包下面的A

3.4 创建A类

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.examples.WordCount;
import org.apache.hadoop.examples.WordCount.IntSumReducer;
import org.apache.hadoop.examples.WordCount.TokenizerMapper;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;

public class A {
    public static void main(String[] args) throws Exception {
        Configuration conf = new Configuration();
        conf.set("mapred.job.tracker", "192.168.1.100:9001");
        String[] addrs = new String[] { "hdfs://192.168.1.100:9000/user/sunfan/input", "hdfs://192.168.1.100:9000/user/sunfan/out3" };
        String[] otherArgs = new GenericOptionsParser(conf, addrs).getRemainingArgs();
        if (otherArgs.length != ) {
            System.err.println("Usage: wordcount <in> <out>");
            System.exit();
        }
        Job job = new Job(conf, "word count");
        job.setJarByClass(WordCount.class);
        job.setMapperClass(TokenizerMapper.class);
        job.setCombinerClass(IntSumReducer.class);
        job.setReducerClass(IntSumReducer.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);
        FileInputFormat.addInputPath(job, new Path(otherArgs[]));
        FileOutputFormat.setOutputPath(job, new Path(otherArgs[]));
        System.exit(job.waitForCompletion(true) ?  : );
    }
}

运行

// :: INFO input.FileInputFormat: Total input paths to process :
// :: WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
// :: WARN snappy.LoadSnappy: Snappy native library not loaded
// :: INFO mapred.JobClient: Running job: job_201502181818_0033
// :: INFO mapred.JobClient:  map % reduce %
// :: INFO mapred.JobClient:  map % reduce %
// :: INFO mapred.JobClient:  map % reduce %
// :: INFO mapred.JobClient:  map % reduce %
// :: INFO mapred.JobClient:  map % reduce %
// :: INFO mapred.JobClient: Job complete: job_201502181818_0033
// :: INFO mapred.JobClient: Counters:
// :: INFO mapred.JobClient:   Job Counters
// :: INFO mapred.JobClient:     Launched reduce tasks=
// :: INFO mapred.JobClient:     SLOTS_MILLIS_MAPS=
// :: INFO mapred.JobClient:     Total time spent by all reduces waiting after reserving slots (ms)=
// :: INFO mapred.JobClient:     Total time spent by all maps waiting after reserving slots (ms)=
// :: INFO mapred.JobClient:     Launched map tasks=
// :: INFO mapred.JobClient:     Data-local map tasks=
// :: INFO mapred.JobClient:     SLOTS_MILLIS_REDUCES=
// :: INFO mapred.JobClient:   File Output Format Counters
// :: INFO mapred.JobClient:     Bytes Written=
// :: INFO mapred.JobClient:   FileSystemCounters
// :: INFO mapred.JobClient:     FILE_BYTES_READ=
// :: INFO mapred.JobClient:     HDFS_BYTES_READ=
// :: INFO mapred.JobClient:     FILE_BYTES_WRITTEN=
// :: INFO mapred.JobClient:     HDFS_BYTES_WRITTEN=
// :: INFO mapred.JobClient:   File Input Format Counters
// :: INFO mapred.JobClient:     Bytes Read=
// :: INFO mapred.JobClient:   Map-Reduce Framework
// :: INFO mapred.JobClient:     Map output materialized bytes=
// :: INFO mapred.JobClient:     Map input records=
// :: INFO mapred.JobClient:     Reduce shuffle bytes=
// :: INFO mapred.JobClient:     Spilled Records=
// :: INFO mapred.JobClient:     Map output bytes=
// :: INFO mapred.JobClient:     CPU time spent (ms)=
// :: INFO mapred.JobClient:     Total committed heap usage (bytes)=
// :: INFO mapred.JobClient:     Combine input records=
// :: INFO mapred.JobClient:     SPLIT_RAW_BYTES=
// :: INFO mapred.JobClient:     Reduce input records=
// :: INFO mapred.JobClient:     Reduce input groups=
// :: INFO mapred.JobClient:     Combine output records=
// :: INFO mapred.JobClient:     Physical memory (bytes) snapshot=
// :: INFO mapred.JobClient:     Reduce output records=
// :: INFO mapred.JobClient:     Virtual memory (bytes) snapshot=
// :: INFO mapred.JobClient:     Map output records=

本文前半部分引用 http://www.cnblogs.com/xia520pi/archive/2012/04/08/2437875.html，感谢原作者。