基础搭建Hadoop大数据处理-编程

yanghongjun

　　Hadoop的编程可以是在Linux环境或Winows环境中，在此以Windows环境为示例，以Eclipse工具为主（也可以用IDEA）。网上也有很多开发的文章，在此也参考他们的内容只作简单的介绍和要点总结。
　　Hadoop是一个强大的并行框架，它允许任务在其分布式集群上并行处理。但是编写、调试Hadoop程序都有很大难度。正因为如此，Hadoop的开发者开发出了Hadoop Eclipse插件，它在Hadoop的开发环境中嵌入了Eclipse，从而实现了开发环境的图形化，降低了编程难度。在安装插件，配置Hadoop的相关信息之后，如果用户创建Hadoop程序，插件会自动导入Hadoop编程接口的JAR文件，这样用户就可以在Eclipse的图形化界面中编写、调试、运行Hadoop程序（包括单机程序和分布式程序），也可以在其中查看自己程序的实时状态、错误信息和运行结果，还可以查看、管理HDFS以及文件。总地来说，Hadoop Eclipse插件安装简单，使用方便，功能强大，尤其是在Hadoop编程方面，是Hadoop入门和Hadoop编程必不可少的工具
Hadoop工作目录简介
　　为了以后方便开发，我们按照下面把开发中用到的软件安装在此目录中，JDK安装除外，我这里把JDK安装在D盘的直属目录Java安装路径下（安装在Program Files下有些地方会报空隔截断错误），下面是工作目录：

　　系统磁盘（D：）
　　|---HadoopWork
　　|--- eclipse
　　|--- hadoop-2.7.3
　　|--- workplace
　　|---……

　　按照上面目录把Eclipse和Hadoop解压到"D:\HadoopWork"下面，并创建"workplace"作为Eclipse的工作空间。

Eclipse插件开发配置
　　第一步：把我们的"hadoop2x-eclipse-plugin-master"放到Eclipse的目录的"plugins"中，然后重新Eclipse即可生效。

　　系统磁盘（D：）
　　|---HadoopWork
　　|--- eclipse
　　|---plugins
　　|--- hadoop2x-eclipse-plugin-master.jar

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

　　从上图中左侧"Project Explorer"下面发现"DFS Locations"，说明Eclipse已经识别刚才放入的Hadoop Eclipse插件了。
　　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：D:\HadoopWork\hadoop-2.7.3）。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：192.168.80.32（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 (与署中的一致)
  
• 
  
  

　　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"0基础搭建Hadoop大数据处理-集群安装"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/local/hadoop273/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，就会展示出HDFS上的文件结构。

　　右击">user>hadoop"可以尝试建立一个"文件夹--index_in"，然后右击刷新就能查看我们刚才建立的文件夹。

　　创建完之后，并刷新。
　　远程登录"Master.Hadoop"服务器，用下面命令查看是否已经建立一个"index_in"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。
Eclipse运行WordCount程序
配置Eclipse的JDK
　　如果电脑上不仅仅安装的JDK8.0，那么要确定一下Eclipse的平台的默认JDK是否8.0。从"Window"菜单下选择"Preference"，弹出一个窗体，从窗体的左侧找见"Java"，选择"Installed JREs"，然后添加JDK8.0。下面是我的默认选择JRE。

　　如果没有的话点击Add添加。
　　添加后按下图选择1.8的版本。

设置Eclipse的编码为UTF-8

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。
创建WordCount类
　　选择"WordCountProject"工程，右击弹出菜单，然后选择"New"，接着选择"Class"，然后填写如下信息：

　　因为我们直接用Hadoop2.7.3自带的WordCount程序，所以报名需要和代码中的一致为"org.apache.hadoop.examples"，类名也必须一致为"WordCount"。这个代码放在如下的结构中。

　　hadoop-2.7.3
　　|---src
　　|---examples
　　|---org
　　|---apache
　　|---hadoop
　　|---examples

　　从上面目录中找见"WordCount.java"文件，用记事本打开，然后把代码复制到刚才建立的java文件中。

package org.apache.hadoop.examples;　　
import java.io.IOException;import java.util.StringTokenizer;
　　
import org.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;import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;import org.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();    conf.set("mapred.job.tracker", "192.168.80.32:9001");
　　
    String[] ars=new String[]{"input","newout"};
　　
    String[] otherArgs = new GenericOptionsParser(conf, ars).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);
　　
  }
　　
}

　　备注：如果不加"conf.set("mapred.job.tracker", "192.168.80.32:9001");"，将提示你的权限不够，其实照成这样的原因是刚才设置的"Map/Reduce Location"其中的配置不是完全起作用，而是在本地的磁盘上建立了文件，并尝试运行，显然是不行的。我们要让Eclipse提交作业到Hadoop集群上，所以我们这里手动添加Job运行地址。
运行WordCount程序
　　选择"Wordcount.java"程序，右击一次按照"Run AS Run on Hadoop"运行。然后会弹出如下图，按照下图进行操作。

　　在Console中可以看到输出日志。
查看WordCount运行结果
　　查看Eclipse软件左侧，右击"DFS Locations》Hadoop273》user》hadoop"，点击刷新按钮"Refresh"，我们刚才出现的文件夹"newoutput"会出现。记得"newoutput"文件夹是运行程序时自动创建的，如果已经存在相同的的文件夹，要么程序换个新的输出文件夹，要么删除HDFS上的那个重名文件夹，不然会出错。
　　打开"newoutput"文件夹，打开"part-r-00000"文件，可以看见执行后的结果。
　　还可以将项目导出成jar包，发送到Hadoop服务器上运行，就像运行自带的example一样。
　　到此为止，Eclipse开发环境设置已经完毕，并且成功运行Wordcount程序，下一步我们真正开始Hadoop之旅。
扩展
　　以下列出自己和参考园友列出的问题汇总：
　　INFO hdfs.DFSClient: Exception in createBlockOutputStream
　　java.net.NoRouteToHostException: 没有到主机的路由
　　在每个服务器上jps看下hadoop的进程有没启动，如果都启动了，则停掉主机和几个Slave的防火墙，如果再没有出现问题的话说明相关端口没有开放，在防火墙中加入相关端口。
"error: failure to login"问题
　　下面以网上找的"hadoop-0.20.203.0"为例，我在使用"V1.0"时也出现这样的情况，原因就是那个"hadoop-eclipse-plugin-1.0.0_V1.0.jar"，是直接把源码编译而成，故而缺少相应的Jar包。具体情况如下
　　详细地址：http://blog.csdn.net/chengfei112233/article/details/7252404
　　在我实践尝试中，发现hadoop-0.20.203.0版本的该包如果直接复制到eclipse的插件目录中，在连接DFS时会出现错误，提示信息为： "error: failure to login"。
　　弹出的错误提示框内容为"An internal error occurred during: "Connecting to DFS hadoop".org/apache/commons/configuration/Configuration". 经过察看Eclipse的log，发现是缺少jar包导致的。进一步查找资料后，发现直接复制hadoop-eclipse-plugin-0.20.203.0.jar，该包中lib目录下缺少了jar包。
　　经过网上资料搜集，此处给出正确的安装方法：
　　首先要对hadoop-eclipse-plugin-0.20.203.0.jar进行修改。用归档管理器打开该包，发现只有commons-cli-1.2.jar 和hadoop-core.jar两个包。将hadoop/lib目录下的：

• 　　commons-configuration-1.6.jar ,
  
• 　　commons-httpclient-3.0.1.jar ,
  
• 　　commons-lang-2.4.jar ,
  
• 　　jackson-core-asl-1.0.1.jar
  
• 　　jackson-mapper-asl-1.0.1.jar
  

　　一共5个包复制到hadoop-eclipse-plugin-0.20.203.0.jar的lib目录下，如下图：

　　然后，修改该包META-INF目录下的MANIFEST.MF，将classpath修改为一下内容：

　　Bundle-ClassPath:classes/,lib/hadoop-core.jar,lib/commons-cli-1.2.jar,lib/commons-httpclient-3.0.1.jar,lib/jackson-core-asl-1.0.1.jar,lib/jackson-mapper-asl-1.0.1.jar,lib/commons-configuration-1.6.jar,lib/commons-lang-2.4.jar

　　这样就完成了对hadoop-eclipse-plugin-0.20.203.0.jar的修改。
　　最后，将hadoop-eclipse-plugin-0.20.203.0.jar复制到Eclipse的plugins目录下。（各版本对应的版本号也不相同）
"Permission denied"问题
　　网上试了很多，有提到"hadoop fs -chmod 777 /user/local/hadoop273 "，有提到"dfs.permissions 的配置项，将value值改为 false"，有提到"hadoop.job.ugi"，但是通通没有效果。
　　参考文献：
　　地址1：http://www.cnblogs.com/acmy/archive/2011/10/28/2227901.html
　　地址2：http://sunjun041640.blog.163.com/blog/static/25626832201061751825292/
　　错误类型：org.apache.hadoop.security.AccessControlException: org.apache.hadoop.security .AccessControlException: Permission denied: user=*********, access=WRITE, inode="hadoop": hadoop:supergroup:rwxr-xr-x
　　解决方案：
　　我的解决方案直接把系统管理员的名字改成你的Hadoop集群运行hadoop的那个用户。
"Failed to set permissions of path"问题
　　参考文献：https://issues.apache.org/jira/browse/HADOOP-8089
　　错误信息如下：
　　ERROR security.UserGroupInformation: PriviledgedActionException as: hadoop cause:java.io.IOException Failed to set permissions of path:\usr\hadoop\tmp\mapred\staging\hadoop753422487\.staging to 0700 Exception in thread "main" java.io.IOException: Failed to set permissions of path: \usr\hadoop\tmp \mapred\staging\hadoop753422487\.staging to 0700
　　解决方法：

　　Configuration conf = new Configuration();
　　conf.set("mapred.job.tracker", "[server]:9001");

　　"[server]:9001"中的"[server]"为Hadoop集群Master的IP地址。
"hadoop mapred执行目录文件权"限问题