Mapreduce部署与第三方依赖包管理

Mapreduce部署是总会涉及到第三方包依赖问题，这些第三方包配置的方式不同，会对mapreduce的部署便捷性有一些影响，有时候还会导致脚本出错。本文介绍几种常用的配置方式:

1. HADOOP_CLASSPATH

在hadoop的相关配置文件中，添加CLASSPATH路径，那么在hadoop的各个进程启动时都会载入这些包，因此对于mapreduce-job jar中则不需要额外的引入这些jars，所以mapreduce-job jar会比较小[瘦jar]，便于传输；但它的问题也比较明显，如果mapreduce-job中新增了其他引用jar，则必须重新启动hadoop的相关进程。

我们可以在hadoop-env.sh中，增加如下配置：

export HADOOP_CLASSPATH=$HADOOP_CLASSPATH:/path/customer/jars

其中“/path/customer/jars”路径为自己的第三方jar所在的本地路径，我们需要在集群中所有的hadoop机器上都同步这些jar。

瘦jar的打包方式(maven)：

<plugin>
  <groupId>org.apache.maven.plugins</groupId>
  <artifactId>maven-dependency-plugin</artifactId>
  <executions>
    <execution>
      <id>copy-dependencies</id>
      <phase>prepare-package</phase>
      <goals>
        <goal>copy-dependencies</goal>
      </goals>
      <configuration>
        <outputDirectory>${project.build.directory}/lib</outputDirectory>
        <overWriteReleases>false</overWriteReleases>
        <overWriteSnapshots>false</overWriteSnapshots>
        <overWriteIfNewer>true</overWriteIfNewer>
      </configuration>
    </execution>
  </executions>
</plugin>
<plugin>
  <groupId>org.apache.maven.plugins</groupId>
  <artifactId>maven-jar-plugin</artifactId>
  <configuration>
    <archive>
      <manifest>
        <addClasspath>true</addClasspath>
        <classpathPrefix>lib/</classpathPrefix>
        <mainClass>com.app.script.Main</mainClass>
      </manifest>
    </archive>
  </configuration>
</plugin>

使用了copy-dependencies插件，当使用“mvn package”命令打包之后，第三方引用包会被copy到打包目录下的lib文件中(并非mapreduce-job jar内部的lib文件中)，开发者只需要把这些jars上传到所有hadoop集群即可。

2. mapred.child.env

我们可以指定mapreduce的task子进程启动时加载第三方jars，而不是让所有的hadoop子进程都加载。通过在mapred-site.xml中增加如下配置：

<property>
    <name>mapred.child.env</name>
    <value>LD_LIBRARY_PATH=/path/customer/jars</value>
    <!--
      LD_LIBRARY_PATH=$HADOOP_HOME/mapred-lib/thirdparty
    -->
</property>

这种方式和1)类似，不过更加便捷，每个mapper或者reducer子进程启动时都会重新加载第三方jars，所以当jars有变动时，只需要直接覆盖它们即可，而无需重启hadoop或者yarn。

3. -libjars选项

我们可以在使用“hadoo jar”命令时，向启动的job传递“libjars”选项参数，同时配合ToolRunner工具来解析参数并运行Job，这种方式是推荐的用法之一，因为它可以简单的实现job的依赖包和hadoop classpath解耦，可以为每个job单独设置libjars参数。这些jars将会在job提交之后复制到hadoop“共享文件系统中”(hdfs,/tmp文件夹中)，此后taskTracker即可load到本地并在任务子进程中加载。

libjars中需要指定job依赖的所有的jar全路径，并且这些jars必须在当前本地文件系统中(并非集群中都需要有此jars)，暂时还不支持hdfs。对于在HADOOP_CLASSPATH或者mapred.child.env中已经包含了jars，则不需要再-libjars参数中再次指定。因为libjars需要指定jar的全路径名，所以如果jars特别多的话，操作起来非常不便，所以我们通常将多个job共用的jars通过HADOOP_CLASSPATH或者mapred.child.end方式配置，将某个job依赖的额外的jars(少量的)通过-libjars选项指定。

hadoop jar statistic-mr.jar com.statistic.script.Main -libjars /path/cascading-core-2.5.jar,/path/cascading-hadoop-2.5.jar

4. Fatjar

胖jar，即将mapreduce-job jar所依赖的所有jar都“shade”到一个jar中，最终package成一个“独立”的可运行的jar；当然hadoop并不需要这个jar是“可运行的”，它只需要这个jar在运行时不需要额外的配置“--classpath”即可。此外Fatjar仍然可以使用HADOOP_CLASSPATH或者map.child.env所加载的jars，因为我们在打包时可以将这些jars排除，以减少fatjar的大小。

fatjar只不过是一种打包的方式，也仍然可以和“-libjars”选项配合。不过从直观上来说，fatjar确实是解决“-libjars”不方便的技巧。

此例中，我们使用cascading来开发一个mapreduce job，但是我们又不希望cascading的相关依赖包被放入HADOOP_CLASSPATH中，因为其他的job可能不需要或者其他的job有可能使用其他版本的cascading；所以就使用Fatjar，把job程序和cascading的依赖包全部“shade”在一起。

使用maven assambly插件来完成fatjar的打包工作：

1) pom.xml

<build>
  <finalName>statistic-mapred</finalName>
  <plugins>
    <plugin>
      <groupId>org.apache.maven.plugins</groupId>
      <artifactId>maven-assembly-plugin</artifactId>
      <configuration>
        <descriptors>
          <descriptor>src/assembly.xml</descriptor>
        </descriptors>
        <archive>
          <!-- optional -->
          <!--
          <manifest>
            <mainClass>com.script.Main</mainClass>
            <addClasspath>true</addClasspath>
          </manifest>
          -->
        </archive>
      </configuration>
      <executions>
        <execution>
          <id>make-assembly</id>
          <phase>package</phase>
          <goals>
            <goal>single</goal>
          </goals>
        </execution>
      </executions>
    </plugin>
  </plugins>
</build>

    2) assambly.xml

<assembly>
  <id>cascading</id>
  <formats>
    <format>jar</format>
  </formats>
  <includeBaseDirectory>false</includeBaseDirectory>
  <dependencySets>
    <dependencySet>
      <unpack>true</unpack>
      <scope>runtime</scope>
      <!--
      <excludes>
        <exclude>org.apache.hadoop:*</exclude>
      </excludes>
      -->
      <!-- very small jar -->
      <includes>
        <include>cascading:*</include>
        <include>thirdparty:*</include>
      </includes>
    </dependencySet>
  </dependencySets>
  <fileSets>
    <fileSet>
      <directory>${project.build.outputDirectory}</directory>
      <outputDirectory>/</outputDirectory>
    </fileSet>
  </fileSets>
</assembly>

在assambly.xml中我们通过<include>标签来包含需要被“shade”的第三方依赖包，并且采用了unpack(解压)方式，此例中我们只将cascading的jar打进fatjar中，对于其他包将会被忽略，因为这些包已经在hadoop中存在(比如hadoop，hdfs，mapreduce，已经其他的常用包，都可以共用hadoop的)，最终我们的打包结果如下：

有了fatjar，确实大大的减少了开发工程师部署mapreduce的复杂度和出错的可能性，如果你有即备的maven环境，建议使用fatjar的方式。将fatjar直接放在hadoop中使用“hadoop jar”指令即可执行，几乎无需关心依赖包遗漏的问题。

此外，需要备注一下，在使用cascading时，如果采用了HADOOP_CLASSPATH或者mapred.child.env方式管理依赖时，会偶尔抛出：

Split class cascading.tap.hadoop.MultiInputSplit not found

尽管cascading的所有依赖包都在CLASSPATH中，也无法解决这个问题，不确定究竟发生了什么！！后来采用了fatjar之后，问题解决！！