nutch 1.8 nutch 2.2.1 与 hadoop 2.2.0

阿尔海南粉

由于项目需要把nutch运行在hadoop2.2.0上，但是官方网站上给出的版本为hadoop1.2.0，于是需要做版本兼容，我们选取的nutch版本为2.2.1，以为最大的版本是最新的，后来发现无知了，这也是后来痛苦经历的根源。

先说结论，nutch1.8直接可以运行在hadoop2.2.0上，不用为版本兼容做任何修改。

但是不知道这一结论之前我为了兼容nutch 2.2.1和hadoop2.2.0及hbase0.96做了如下工作：
1、修改gora-core，将里面依赖hbase和hadoop的内容都改为高版本的，修正编译错误重新编译
2、修改gora-hbase，重复跟gora-core一样的动作
3、修改nutch的build.xml文件，将所有依赖的低版本也改为高版本，然后在maven库中将gora-core和gora-hbase也替换为我们重新编译过的。
4、修改gora-core和gora-hbase的ivy文件，去掉对低版本hadoop包和hbase包机avro包的依赖
5、重新编译nutch，这是会欣喜的发现，inject命令可以执行了
6、但是执行generate的时候会出现一个空指针，粘一部分
java.lang.Exception: java.lang.NullPointerException: null of string in field baseUrl of org.apache.nutch.storage.WebPage
        at org.apache.hadoop.mapred.LocalJobRunner$Job.run(LocalJobRunner.java:403)
Caused by: java.lang.NullPointerException: null of string in field baseUrl of org.apache.nutch.storage.WebPage
        at org.apache.avro.generic.GenericDatumWriter.npe(GenericDatumWriter.java:97)
        at org.apache.avro.generic.GenericDatumWriter.write(GenericDatumWriter.java:91)
        at org.apache.avro.generic.GenericDatumWriter.write(GenericDatumWriter.java:61)
        at org.apache.hadoop.io.serializer.avro.AvroSerialization$AvroSerializer.serialize(AvroSerialization.java:105)
   经过多方调查得到如下结论：
   1）空指针是由于hadoop2.2.0时使用的GenericDatumWriter，而1.0.1时使用的是PersistentDatumWriter
   2）而产生上述问题的原因是用于hadoop2.2.0时使用是AvroSerializer，而1.0.1时使用的是PersistentSerializer
   3）而产生上述问题的原因是在hadoop的MapTask类中，会选取对value的序列化类（2.2.0的hadoop-mapreduce-client-core中MapTask的第985行），而序列化类是由Serialization类包装的
   4）组合Serialization类的代码在2.2.0的hadoop-common的SerializationFactory构造函数中即第56行开始，而hadoop1.0中对应的代码时不一样的，比较一下
hadoop2.2.0：
  public SerializationFactory(Configuration conf) {
    super(conf);
    for (String serializerName : conf.getStrings(
      CommonConfigurationKeys.IO_SERIALIZATIONS_KEY,
      new String[]{WritableSerialization.class.getName(),
        AvroSpecificSerialization.class.getName(),
        AvroReflectSerialization.class.getName()})) {
      add(conf, serializerName);
    }
  }

hadoop 1.0.1:
  public SerializationFactory(Configuration conf) {
    super(conf);
    for (String serializerName : conf.getStrings("io.serializations",
      new String[]{"org.apache.hadoop.io.serializer.WritableSerialization"})) {
      LOG.error("serializerName"+serializerName);
      add(conf, serializerName);
    }
  }
CommonConfigurationKeys.IO_SERIALIZATIONS_KEY这个变量跟下面是一样的，本人在1.0.1上打log看了，就是包含后来PersistentSerializer的PersistentSerialization，由于半天没配好2.2.0的编译环境，所以后来2.2.0那边就没查了，然后就发现1.8直接能用了。。。

自此痛苦的调查告一段落，期望后来人不要向我一样走弯路，也给期望继续做nutch2.2.1和合hadoop2.2.0兼容的人留一点意见。

再次重复hadoop2.2.0和nutch1.8是可以兼容的！