hadoop 学习笔记(5)-- MapReduce 开发(1)

1 configuration api

Hadoop 组件的配置使用 XML 形式的配置文件,并且可以使用 ${变量名} 的形式来使用其他属性的值,例如:

<?xml version="1.0"?>
<configuration>
  <property>
     <name>color</name> 
     <value>yellow</value>
     <description>Color</description>
  </property>
  <property>
    <name>size</name>
    <value>10</value>         
    <description>Size</description>
  </property>

  <property>
    <name>weight</name>
    <value>heavy</value>
    <final>true</final>     
    <description>Weight</description>
  </property>

  <property>
    <name>size-weight</name>
    <value>${size},${weight}</value>       
    <description>Size and weight</description>
  </property>
</configuration>

这样可以使用 Configuration 类来读取数据:

Configuration conf = new Configuration();
conf.addResource("configuration-1.xml");
assertThat(conf.get("color"), is("yellow")); 
assertThat(conf.getInt("size", 0), is(10)); 
assertThat(conf.get("breadth", "wide"), is("wide"));

也可以添加多个配置文件:

Configuration conf = new Configuration(); 
conf.addResource("configuration-1.xml");
conf.addResource("configuration-2.xml");

2 开发环境的搭建

hadoop 的 IO 可以使用多种文件系统,所以可以允许在开发环境、本地环境以及集群环境。开发环境下可以使用 Maven 方便获取相关的库:

 <properties>
    <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
    <hadoop.version>2.5.1</hadoop.version>
  </properties>
  <dependencies>
    <!-- Hadoop main client artifact -->
    <dependency>
      <groupId>org.apache.hadoop</groupId>
      <version>${hadoop.version}</version>
    </dependency>
    <!-- Unit test artifacts -->
    <dependency>
      <groupId>junit</groupId>
      <artifactId>junit</artifactId>
      <version>4.11</version>
      <scope>test</scope>
    </dependency>

    <dependency>
      <groupId>org.apache.mrunit</groupId>
      <artifactId>mrunit</artifactId>
      <version>1.1.0</version>
      <classifier>hadoop2</classifier>
      <scope>test</scope>
    </dependency>
    <!-- Hadoop test artifact for running mini clusters -->
    <dependency>
      <groupId>org.apache.hadoop</groupId>
      <artifactId>hadoop-minicluster</artifactId>
      <version>${hadoop.version}</version>
      <scope>test</scope>
    </dependency>
  </dependencies>
  <build>
    <finalName>hadoop-examples</finalName>
    <plugins>
      <plugin>
        <groupId>org.apache.maven.plugins</groupId>
        <artifactId>maven-compiler-plugin</artifactId>
        <version>3.1</version>
        <configuration>
          <source>1.6</source>
          <target>1.6</target>
        </configuration>
      </plugin>
      <plugin>
        <groupId>org.apache.maven.plugins</groupId>
        <artifactId>maven-jar-plugin</artifactId>
        <version>2.5</version>
        <configuration>
          <outputDirectory>${basedir}</outputDirectory>
        </configuration>
      </plugin>
    </plugins>
  </build>

为了切换开发、本地和集群环境,我们来创建三个配置文件:

(1)使用本地文件系统的开发环境:

<?xml version="1.0"?>
<configuration>
    <property> 
      <name>fs.defaultFS</name>
      <value>file:///</value>
    </property>
    <property>
      <name>mapreduce.framework.name</name>       
      <value>local</value>
    </property>
</configuration>

(2)本地伪单机:

<?xml version="1.0"?>
<configuration>
    <property> 
      <name>fs.defaultFS</name>
      <value>hdfs://localhost:9000/</value>
    </property>
    <property>
      <name>mapreduce.framework.name</name>       
      <value>yarn</value>
    </property>
    <property>
       <name>yarn.resourcemanager.address</name>         
       <value>localhost:8032</value>
    </property>
</configuration>

(3) 集群:

<configuration>
    <property> 
      <name>fs.defaultFS</name>
      <value>hdfs://namenode/</value>
    </property>
    <property>
      <name>mapreduce.framework.name</name>       
      <value>yarn</value>
    </property>
    <property>
       <name>yarn.resourcemanager.address</name>         
       <value>resourcemanager:8032</value>
    </property>
</configuration>

这样,就可以使用 -conf 选项选择使用的配置文件了:

hadoop fs -conf conf/hadoop-localhost.xml -ls .

如果没有 -conf,则会读取 HADOOP_HOME 下的文件夹 etc/hadoop 下的配置文件。

另外一种方式是将 $HADOOP_HOME/etc/hadoop 下的文件拷贝到其他文件夹,然后设置 HADOOP_CONF_DIR 来切换环境。

3 使用 mrunit 开发单元测试

在 test 目录下生成测试类,先来测试一个不应该输出任何结果的,这里 MapperDriver 类不带任何withOutput,就是指没有输出,有几个输出就对应几个withOutput:

import java.io.IOException;
import java.util.Arrays;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mrunit.mapreduce.MapDriver;
import org.apache.hadoop.mrunit.mapreduce.ReduceDriver;
import org.junit.Test;

public class MaxTemperatureMapperTest {
  @Test
  public void ignoresMissingTemperatureRecord() throws IOException, InterruptedException {
    Text value = new Text("0043011990999991950051518004+68750+023550FM-12+0382" + // Year
        "99999V0203201N00261220001CN9999999N9+99991+99999999999"); // Temperature
    // 没有 withOutput 所以该测试要通过必须没有输出
    new MapDriver<LongWritable, Text, Text, IntWritable>()
        .withMapper(new v2.MaxTemperatureMapper())
        .withInput(new LongWritable(0), value)
        .runTest();
  }
}

然后加上一个 reducer 的测试:


@Test
@Test
  public void returnsMaximumIntegerInValues() throws IOException, InterruptedException {
    new ReduceDriver<Text, IntWritable, Text, IntWritable>().withReducer(
        new v2.MaxTemperatureReducer())
        .withInput(new Text("1950"),
            Arrays.asList(new IntWritable(10), new IntWritable(5)))
        .withOutput(new Text("1950"), new IntWritable(10))
        .runTest();
  }

给 1950 年输入 10 和 5,应该输出 1950 10 这样的结果(mapper 和 reducer 就是前面计算天气的)。

通过测试后,我们就可以在本地的小数据集上运行程序测试了,这样比较好 debug。这里我们继承了 Configured 类,实现了 Tool 接口,并使用 ToolRunner 运行:

public class MaxTemperatureDriver extends Configured implements Tool {
  @Override
  public int run(String[] args) throws Exception {
    if (args.length != 2) {
      System.err.printf("Usage: %s [generic options] <input> <output>\n",
          getClass().getSimpleName());
      ToolRunner.printGenericCommandUsage(System.err);
      return -1;
    }
    Job job = Job.getInstance(getConf(), "Max temperature");
    job.setJarByClass(getClass());
    FileInputFormat.addInputPath(job, new Path(args[0]));
    FileOutputFormat.setOutputPath(job, new Path(args[1]));
    job.setMapperClass(MaxTemperatureMapper.class);
    job.setCombinerClass(MaxTemperatureReducer.class);
    job.setReducerClass(MaxTemperatureReducer.class);
    job.setOutputKeyClass(Text.class);
    job.setOutputValueClass(IntWritable.class);
    return job.waitForCompletion(true) ? 0 : 1;
  }

  public static void main(String[] args) throws Exception {
    int exitCode = ToolRunner.run(new MaxTemperatureDriver(), args);
    System.exit(exitCode);
  }
}

这里 ToolRunner 主要根据命令行参数解析出 Configuration,Configured 使该类可以 getConf 和 setConf,Tool 主要是提供了 run 方法。下面的代码是 ToolRunner 调用 GenericOptionsParser 来解析配置文件:

public static int run(Configuration conf, Tool tool, String[] args) 
    throws Exception{
    if(conf == null) {
      conf = new Configuration();
    }
    GenericOptionsParser parser = new GenericOptionsParser(conf, args);
    //set the configuration back, so that Tool can configure itself
    tool.setConf(conf);
    
    //get the args w/o generic hadoop args
    String[] toolArgs = parser.getRemainingArgs();
    return tool.run(toolArgs);
  }

然后就来执行了:

% mvn compile
% export HADOOP_CLASSPATH=target/classes/
% hadoop v2.MaxTemperatureDriver -conf conf/hadoop-local.xml \
      input/ncdc/micro output

或不指定配置文件,使用 -fs 指定文件系统, -jt 指定 yarn执行:

//local 指使用本地开发环境
hadoop v2.MaxTemperatureDriver -fs file:/// -jt local input/ncdc/micro output

测试

@Test
  public void test() throws Exception {
    Configuration conf = new Configuration();
    conf.set("fs.defaultFS", "file:///");
    conf.set("mapreduce.framework.name", "local");
    conf.setInt("mapreduce.task.io.sort.mb", 1);
    Path input = new Path("input/sample");
    Path output = new Path("output");
    FileSystem fs = FileSystem.getLocal(conf);
    fs.delete(output, true); // delete old output
    MaxTemperatureDriver driver = new MaxTemperatureDriver();
    driver.setConf(conf);
    int exitCode = driver.run(new String[] {input.toString(), output.toString()});
    assertThat(exitCode, is(0));
    //一行一行检查输出是否正确
    checkOutput(conf, output);
  }

4 在集群上运行 hadoop

通过了测试,得到了正确的结果之后,就要真刀真枪的在集群上运行程序了。要在集群上运行,必须先打成一个 jar 包,上面的 pom 文件中使用 maven-jar-plugin 来进行打包,使用 maven 命令 mvn package -DskipTests 即可。如果不在 manifest 中 指定 main class 的话,记得运行时在命令行中要指定主类。为了方便,可以像 war 包一样,把依赖的 jar 全部打包到 运行 jar 包的 lib 目录下,把配置文件打包到运行 jar 包的 classes 目录下,这些用 maven 插件都很简单。

用户的 classpath 由下面三部分组成:

  1. job JAR;
  2. job JAR 下面的 lib 目录和 classes 目录;
  3. 环境变量 HADOOP_CLASSPATH 指定的目录。

在集群中,有所变化,HADOOP_CLASSPATH 不再生效,因为它仅仅对 driver 运行的 JVM 有效。:

  1. job JAR;
  2. job JAR 下面的 lib 目录和 classes 目录;
  3. 任何使用命令行参数 -libjars 加入分布式缓存的文件

所以运行时有三种方式:

  1. 把 jar 包解压缩然后打包进运行的 jar 中;
  2. 把 jar 包打包进 运行 jar 包的 lib 目录下;
  3. 使用 HADOOP_CLASSPATH 将依赖加入 client 的 classpath 中,然后用 -libjars 命令将其加入分布式缓存中。

在用户侧,可以设置环境变量 HADOOP_USER_CLASSPATH_FIRST 来让用户选择的库被优先使用;在集群中,可以设置 mapreduce.job.user.classpath.first 为 true 来让用户的库被优先使用。

运行下面的命令可以提交一个任务到 hadoop 集群运行:

hadoop jar hadoop-examples.jar v2.MaxTemperatureDriver -fs hdfs://192.168.0.133:9000 -jt 192.168.0.133:8032 file:///home/hadoop/input max-temp

由于 input 是本地文件,所以加上了 file:/// 前缀。

最终输出:

    File System Counters
        FILE: Number of bytes read=46341975
        FILE: Number of bytes written=317163
        FILE: Number of read operations=0
        FILE: Number of large read operations=0
        FILE: Number of write operations=0
        HDFS: Number of bytes read=176
        HDFS: Number of bytes written=27
        HDFS: Number of read operations=7
        HDFS: Number of large read operations=0
        HDFS: Number of write operations=2
    Job Counters
        Launched map tasks=2
        Launched reduce tasks=1
        Data-local map tasks=2
        Total time spent by all maps in occupied slots (ms)=27621
        Total time spent by all reduces in occupied slots (ms)=13410
        Total time spent by all map tasks (ms)=27621
        Total time spent by all reduce tasks (ms)=13410
        Total vcore-seconds taken by all map tasks=27621
        Total vcore-seconds taken by all reduce tasks=13410
        Total megabyte-seconds taken by all map tasks=28283904
        Total megabyte-seconds taken by all reduce tasks=13731840
    Map-Reduce Framework
        Map input records=211054
        Map output records=208834
        Map output bytes=1879506
        Map output materialized bytes=56
        Input split bytes=176
        Combine input records=208834
        Combine output records=4
        Reduce input groups=3
        Reduce shuffle bytes=56
        Reduce input records=4
        Reduce output records=3
        Spilled Records=8
        Shuffled Maps =2
        Failed Shuffles=0
        Merged Map outputs=2
        GC time elapsed (ms)=456
        CPU time spent (ms)=8530
        Physical memory (bytes) snapshot=660267008
        Virtual memory (bytes) snapshot=5742837760
        Total committed heap usage (bytes)=464519168
    Shuffle Errors
        BAD_ID=0
        CONNECTION=0
        IO_ERROR=0
        WRONG_LENGTH=0
        WRONG_MAP=0
        WRONG_REDUCE=0
    File Input Format Counters
        Bytes Read=46341925
    File Output Format Counters
        Bytes Written=27
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 156,907评论 4 360
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 66,546评论 1 289
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 106,705评论 0 238
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 43,624评论 0 203
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 51,940评论 3 285
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 40,371评论 1 210
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 31,672评论 2 310
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 30,396评论 0 195
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 34,069评论 1 238
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 30,350评论 2 242
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 31,876评论 1 256
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 28,243评论 2 251
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 32,847评论 3 231
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 26,004评论 0 8
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 26,755评论 0 192
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 35,378评论 2 269
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 35,266评论 2 259

推荐阅读更多精彩内容

  • Spring Cloud为开发人员提供了快速构建分布式系统中一些常见模式的工具(例如配置管理,服务发现,断路器,智...
    卡卡罗2017阅读 134,087评论 18 139
  • Spring Boot 参考指南 介绍 转载自:https://www.gitbook.com/book/qbgb...
    毛宇鹏阅读 46,290评论 6 344
  • 目的这篇教程从用户的角度出发,全面地介绍了Hadoop Map/Reduce框架的各个方面。先决条件请先确认Had...
    SeanC52111阅读 1,658评论 0 1
  • 摘自:http://staticor.io/post/hadoop/2016-01-23hadoop-defini...
    wangliang938阅读 560评论 0 1
  • 首先,我们在使用前先看看HDFS是什麽?这将有助于我们是以后的运维使用和故障排除思路的获得。 HDFS采用mast...
    W_Bousquet阅读 4,063评论 0 2