Hadoop单点部署与案例开发（微博用户数据分析）

zjp0633

一、环境搭建
1、Hadoop运行环境搭建
1.1 安装虚拟机
　　（1）下载并安装VMware虚拟机软件。
　　（2）创建虚拟机，实验环境虚拟机配置如下图所示。

　　（3）安装Ubuntu系统，安装结果如下图所示。

1.2  配置JDK环境
　　下载并安装JDK，安装结束后需对java环境进行配置，配置成功结果如下所示。

2、Hadoop安装和部署
　　（1）创建Hadoop安装文件夹，并切到到此路径下。

　　（2）从 hadoop.apache.org 下载Hadoop 安装文件，并复制文件到安装Hadoop的文件夹中。下载地址如下图所示，本次试验选取较为稳定的最新版，即2.7.3版。

　　（3）解压Hadoop文件。

　　（4）修改配置文件
　　下面来写配置文件core-site.xml、hdfs-site.xml、hadoop-env.sh三个文件这三个文件都在~/hadoop/hadoop-2.7.3/etc/hadoop/下，在前两个文件中的和中写入如下内容。
　　第一个文件core-site.xml

　　请注意/home/ealon/hadoop/tmp文件夹要被替换为计算机当前的用户目录中的tmp文件夹没有请创建。
　　第二个文件hdfs-site.xml

　　第三个文件hadoop-env.sh中找到如下行然后写入内容。

　　接下来在系统环境变量中写入Hadoop的环境变量gedit /etc/environment
　　#在文件的结尾""之内加上
　　:/home/ealon/hadoop/hadoop-2.7.3/bin
　　:/home/ealon/hadoop/hadoop-2.7.3/sbin
　　（5）重启虚拟机
　　首先重启系统，待开机后，输入如下命令hadoop version，验证Hadoop环境是否安装成功。当看到屏幕上显示Hadoop的版本号即说明单机模式已经配置完成。如下图所示。

　　（6）启动HDFS
　　通过使用伪分布模式，启动HDFS服务。首先需对HDFS进行格式化处理。

　　显示如下内容即成功格式化。

　　（7）启动HDFS

　　（8）查看进程
　　运行jps命令。如看到屏幕上显示如下内容即说明HDFS已经成功

　　（9）停止HDFS

　　通过以上操作，Hadoop环境就基本搭建完毕。
3、Hadoop-Eclipse-Plugin安装与配置
3.1 插件安装
　　要在 Eclipse 上编译和运行 MapReduce 程序，需要安装 hadoop-eclipse-plugin，可下载 Github 上的 hadoop2x-eclipse-plugin。

　　下载后，将>　　unzip-qo ~/下载/hadoop2x-eclipse-plugin-master.zip -d ~/下载    # 解压到 ~/下载中
　　sudocp ~/下载/hadoop2x-eclipse-plugin-master/release/hadoop-eclipse-plugin-2.6.0.jar/usr/lib/eclipse/plugins/    # 复制到 eclipse 安装目录的 plugins 目录下
　　/usr/lib/eclipse/eclipse-clean    # 添加插件后需要用这种方式使插件生效
3.2 插件配置
　　在继续配置前请确保已经开启了 Hadoop。
　　启动 Eclipse 后就可以在左侧的Project Explorer中看到 DFS Locations（若看到的是 welcome 界面，点击左上角的 x 关闭就可以看到了。

　　插件需要进一步的配置
　　第一步：选择 Window 菜单下的 Preference。

　　打开Preference打开Preference
　　此时会弹出一个窗体，窗体的左侧会多出 Hadoop Map/Reduce 选项，点击此选项，选择 Hadoop 的安装目录（如/usr/local/hadoop，Ubuntu不好选择目录，直接输入就行）。

　　选择 Hadoop 的安装目录选择Hadoop 的安装目录
　　第二步：切换 Map/Reduce 开发视图，选择 Window 菜单下选择 Open Perspective ->Other（CentOS 是 Window -> Perspective-> Open Perspective -> Other），弹出一个窗体，从中选择 Map/Reduce 选项即可进行切换。

　　切换 Map/Reduce 开发视图切换Map/Reduce 开发视图
　　第三步：建立与 Hadoop 集群的连接，点击 Eclipse软件右下角的 Map/Reduce Locations 面板，在面板中单击右键，选择 New Hadoop Location。

　　建立与 Hadoop 集群的连接建立与Hadoop 集群的连接
　　在弹出来的 General 选项面板中，General 的设置要与 Hadoop 的配置一致。一般两个 Host 值是一样的，如果是伪分布式，填写 localhost 即可，另外我使用的Hadoop伪分布式配置，设置 fs.defaultFS 为 hdfs://localhost:9000，则 DFS Master 的 Port 要改为 9000。Map/Reduce(V2) Master 的 Port 用默认的即可，Location Name 随意填写。
　　最后的设置如下图所示：

　　Hadoop Location 的设置HadoopLocation 的设置
　　Advancedparameters 选项面板是对 Hadoop 参数进行配置，实际上就是填写 Hadoop 的配置项(/usr/local/hadoop/etc/hadoop中的配置文件)，如我配置了 hadoop.tmp.dir ，就要进行相应的修改。但修改起来会比较繁琐，我们可以通过复制配置文件的方式解决（下面会说到）。
　　总之，我们只要配置 General 就行了，点击 finish，Map/Reduce Location 就创建好了。
3.3 在 Eclipse 中操作 HDFS 中的文件
　　配置好后，点击左侧 Project Explorer 中的 MapReduce Location （点击三角形展开）就能直接查看 HDFS 中的文件列表了（HDFS 中要有文件，如下图是 WordCount 的输出结果），双击可以查看内容，右键点击可以上传、下载、删除 HDFS 中的文件，无需再通过繁琐的 hdfs dfs -ls 等命令进行操作了。

　　使用Eclipse查看HDFS中的文件内容
　　如果无法查看，可右键点击 Location 尝试 Reconnect 或重启 Eclipse。
3.4 在 Eclipse 中创建 MapReduce 项目
　　点击 File 菜单，选择 New -> Project…:

　　创建Project
　　选择 Map/ReduceProject，点击 Next。

　　创建MapReduce项目
　　填写 Projectname 为 WordCount 即可，点击 Finish 就创建好了项目。

　　填写项目名
　　此时在左侧的Project Explorer 就能看到刚才建立的项目了。

　　项目创建完成

　　接着右键点击刚创建的WordCount 项目，选择 New ->>

　　新建Class
　　需要填写两个地方：在 Package 处填写org.apache.hadoop.examples；在 Name 处填写 WordCount。

　　填写Class信息

　　创建>package org.apache.hadoop.examples;　　
import java.io.IOException;
　　
import java.util.StringTokenizer;
　　
importorg.apache.hadoop.conf.Configuration;
　　
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.Mapper;
　　
import org.apache.hadoop.mapreduce.Reducer;
　　
importorg.apache.hadoop.mapreduce.lib.input.FileInputFormat;
　　
importorg.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
　　
importorg.apache.hadoop.util.GenericOptionsParser;
　　
public class WordCount {
　　
public static class TokenizerMapper
　　
      extends Mapper{
　　
   private final static IntWritable one = new IntWritable(1);
　　
   private Text word = new Text();
　　
   public void map(Object key, Text value, Context context
　　
                    ) throws IOException,InterruptedException {
　　
     StringTokenizer itr = new StringTokenizer(value.toString());
　　
     while (itr.hasMoreTokens()) {
　　
       word.set(itr.nextToken());
　　
       context.write(word, one);
　　
     }
　　
    }
　　
  }
　　
public static class IntSumReducer
　　
      extends Reducer {
　　
   private IntWritable result = new IntWritable();
　　
   public void reduce(Text key, Iterable values,
　　
                       Context context
　　
                       ) throws IOException,InterruptedException {
　　
     int sum = 0;
　　
     for (IntWritable val : values) {
　　
       sum += val.get();
　　
     }
　　
      result.set(sum);
　　
     context.write(key, result);
　　
    }
　　
  }
　　
public static void main(String[] args) throws Exception {
　　
   Configuration conf = new Configuration();
　　
   String[] otherArgs = new GenericOptionsParser(conf,args).getRemainingArgs();
　　
    if(otherArgs.length != 2) {
　　
     System.err.println("Usage: wordcount  ");
　　
     System.exit(2);
　　
    }
　　
   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[0]));
　　
    FileOutputFormat.setOutputPath(job,new Path(otherArgs[1]));
　　
   System.exit(job.waitForCompletion(true) ? 0 : 1);
　　
  }
　　
}
3.5 通过 Eclipse 运行 MapReduce
　　在运行 MapReduce 程序前，还需要执行一项重要操作（也就是上面提到的通过复制配置文件解决参数设置问题）：将/usr/local/hadoop/etc/hadoop 中将有修改过的配置文件（如伪分布式需要 core-site.xml 和 hdfs-site.xml），以及 log4j.properties 复制到 WordCount 项目下的 src 文件夹（~/workspace/WordCount/src）中：
　　cp/usr/local/hadoop/etc/hadoop/core-site.xml ~/workspace/WordCount/src
　　cp/usr/local/hadoop/etc/hadoop/hdfs-site.xml ~/workspace/WordCount/src
　　cp/usr/local/hadoop/etc/hadoop/log4j.properties ~/workspace/WordCount/src
　　没有复制这些文件的话程序将无法正确运行，本教程最后再解释为什么需要复制这些文件。
　　复制完成后，务必右键点击 WordCount 选择 refresh 进行刷新（不会自动刷新，需要手动刷新），可以看到文件结构如下所示：

　　WordCount项目文件结构
　　点击工具栏中的 Run 图标，或者右键点击 Project Explorer 中的 WordCount.java，选择 Run As -> Run onHadoop，就可以运行 MapReduce 程序了。不过由于没有指定参数，运行时会提示 “Usage: wordcount “，需要通过Eclipse设定一下运行参数。
　　右键点击刚创建的 WordCount.java，选择 Run As -> RunConfigurations，在此处可以设置运行时的相关参数（如果 Java Application 下面没有 WordCount，那么需要先双击 Java Application）。切换到 “Arguments” 栏，在 Program arguments 处填写 “input output” 就可以了。

　　设置程序运行参数
　　或者也可以直接在代码中设置好输入参数。可将代码 main() 函数的 String[] otherArgs= new GenericOptionsParser(conf, args).getRemainingArgs(); 改为：
　　//String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
　　String[]otherArgs=new String[]{"input","output"}; /* 直接设置输入参数 */
　　设定参数后，再次运行程序，可以看到运行成功的提示，刷新 DFS Location 后也能看到输出的 output 文件夹。

　　WordCount 运行结果
　　至此，你就可以使用 Eclipse 方便的进行 MapReduce程序的开发了。
二、实验内容
　　通过网络下载userdata.csv微博用户数据，共有14388385条用户数据，包含：用户id，所在省份，性别，是否认证信息。数据截图如下图所示。

　　项目代码结构如下图所示：

1、用户性别分布
　　Maper函数：

　　Reducer函数：

　　计算结果分布如下图所示：

　　从图中可以观察到，微博用户中女性所占比例较大，多余男性用户。
2、用户省份分布
　　该部分Maper函数、Reducer函数与性别统计算法相同，不再赘述，计算结果如下图所示：

　　从图中可以看出，广东、北京、上海、江苏、浙江等地微博用户量较大。
3、用户实名验证分布
　　该部分Maper函数、Reducer函数与性别统计算法相同，不再赘述，计算结果如下图所示：

　　从图中可以看出，非实名用户在微博用户中占绝大部分。
4、主要省市男女比例分布
　　该部分Maper函数、Reducer函数与性别统计算法基本相同，不再赘述，计算结果如下图所示：

　　各省市女性用户数量均占所在省市总用户数的一半以上。
三、总结
　　通过浏览控制台和Web管理端输出结果，算法执行过程未见明显异常或报错。控制台输出结果如下图所示：

　　Web端面板统计结果如下图所示：

　　任务执行结果统计如下图所示：

　　结合水运行业实际需求，智慧港口建设作为我国港口转型升级的重要途径，其所涉及的关键技术就包含港口数据分析与处理。Hadoop技术在互联网行业已广泛应用，但在港口自动化、智能化建设中还未起到关键、核心作用。因此，大数据分析与挖掘技术在港口领域的深度应用，是港口发展的高级阶段。对我国港口而言，通过打造智慧港口，优化提升港口基础设施和管理模式，实现港口功能创新、技术创新和服务创新，已成为我国港口提高国际竞争力，完成转型升级的重要途径。通过对大数据技术在智慧港口中应用研究，是我国港口信息化积累的海量数据发挥其巨大优势，为我国港口管理部门以及港口企业提供决策支撑，具有重要的显示意义。