1)启动Hadoop平台
1.启动Hadoop平台。具体的启动方法:鼠标双击桌面上的“Konsole”图标,打开终端,在终端命令窗口中输入Hadoop启动命令。由于配置不同,start-all.sh命令后显示的界面与下面可能有出入,也不要紧,只要保证第2步的jps后,守护进程对就可以。
[Command 001]:
start-all.sh
2.输入jps命令,查看Hadoop启动的守护进程。如果系统有其它程序同时运行,守护进程的界面可能与下面稍有不同。但只要保证“NodeManager、SecondaryNameNode、NameNode、DataNode、ResourceManager”进程在界面上有显示即可,不用关注是否有其它进程,或者进程前的数字。
[Command 002]:
jps
2)实验前数据路径/root/experiment/datas的准备
1.数据路径如果已经存在,删除路径下的所有数据文件。命令格式:hadoop fs -rm -r /root/experiment/datas/要删除的文件名。如果要删除的文件名为file.txt,命令为hadoop fs -rm -r /root/experiment/datas/file.txt。
2.如果一次要删除多个文件,可用多个文件相同部分的内容+“”代替未知内容,例如要删除的文件有二个,名分别为file1.txt、file2.txt,则删除命令可以为hadoop fs -rm -r /root/experiment/datas/file或者为hadoop fs -rm -r /root/experiment/datas/*.txt。
3.如果数据存储路径不存在,在HDFS上建立/root/experiment/datas目录,用于记录程序运行时需要的实验数据。
[Command 003]:
hadoop fs -ls -R /root
[Command 004]:
hadoop fs -mkdir -p /root/experiment/datas
[Command 005]:
hadoop fs -ls -R /root
4.至此,用于实验数据的HDFS下文件目录准备完成。
二.IDEA下建立Maven项目project
1)建立新项目
1.打开IDEA工具。鼠标双击桌面“IDEA”图标,如果是第一次使用,会弹出“Welcome IntelliJ IDEA”窗口,选择建立新项目条目“Create New Project”,如图所示。
2.确定要建立的项目类型。弹出新项目“New Project”窗口,选择要建立的项目类型“Maven”,点击下一步“Next”按钮。
3.填入工程信息。在弹出“New Project”窗口中,在GroupId对应文本框中输入“hadoopmr”,在ArtifactId对应文本框中输入“project”,然后按“Next”按钮。
4.确认项目信息,完成项目创建。在弹出“New Project”窗口中,会显示新建立的项目的名称(name),及项目的存储位置(location)。点击“Finish”按钮,完成项目的初始建立。
5.此时进入IDEA的开发界面。如果在开发界面的上方弹出“Tip of the Day”窗口,点出”Close”按钮,关闭该窗口即可。
6.在右下角弹出的对话框中,选择Enable Auto-Import(如未弹出该对话框请忽略此步骤)。
7.显示IDEA开发环境的主窗口。并在窗口左边可以看到新建立的“project”项目。其中pom.xml里记录Maven项目的依赖等。
2)配置pom.xml文件。如下图。
1.其中pom.xml文件更改后所有的文件内容是:
[Code 001]:
<?xml version = "1.0" encoding = "UTF-8" ?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
<modelVersion>4.0.0</modelVersion>
<groupId>experiment</groupId>
<artifactId>hadoop</artifactId>
<version>1.0-SNAPSHOT</version>
<properties>
<project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
</properties>
<dependencies>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-common</artifactId>
<version>3.1.2</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>3.1.2</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-hdfs</artifactId>
<version>3.1.2</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-mapreduce-client-core</artifactId>
<version>3.1.2</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-mapreduce-client-common</artifactId>
<version>3.1.2</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-mapreduce-client-jobclient</artifactId>
<version>3.1.2</version>
<scope>provided</scope>
</dependency>
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>4.12</version>
<scope>test</scope>
</dependency>
<dependency>
<groupId>log4j</groupId>
<artifactId>log4j</artifactId>
<version>1.2.17</version>
</dependency>
</dependencies>
</project>
3)查看Hadoop工程的Maven依赖包
1.查看导入依赖包。依赖包导入完成后,会在IDEA左侧窗口中看到新导入的依赖包(下图中显示部分依赖包内容)。
2.如果Maven项目依赖包上面方法导入失败。也可以在配置好pom.xml文件内容后,选中项目名“project”,点击鼠标右键,选择“Maven”下的“ReImport”项目,开始Maven项目依赖包的导入。(注意,如果在上一步即1中,如果Maven依赖包导入成功,此步不需要做)
至此,Hadoop开发环境的Maven项目建立完成。
三.WordCount编程
1)实验数据准备
1.将Hadoop安装包下/root/experiment/datas/mapreduce/wordcount目录下文件复制到HDFS上的/root/experiment/datas目录下。(这里需要注意的是,如果作为统计的数据选择过大的话,要考虑系统的运行环境情况,例如堆的大小,如果堆的大小不能容纳数据量运行,程序运行时会出现不正常现象)。
[Command 006]:
hadoop fs -put /root/experiment/datas/mapreduce/wordcount/* /root/experiment/datas
[Command 007]:
hadoop fs -ls -R /root
2.至此,用于WordCount计算的实验数据准备完成。
2)打开IDEA,建立包名,用于在该包下编写WordCount程序
1.鼠标双击桌面“IDEA”图标,打开IDEA开发环境界面。MapReduce程序将会写在开发项目中的Java文件夹下。
2.选中“Project”,找到它下面的”Java”,鼠标右键选择它的子项“New”下的“Package”。
3.弹出“New Package”窗口,在文本框中写上包名“experiment”,点击“OK”按钮,完成包名创建。
4.此时,在IDEA工具的左侧窗口中的project项目下,可以看见新创建的包名。
5.至此,包名建立完毕。下面可以开始进行MapReduce程序的编写工作了。
3)建立JobWCMapper类文件,编写Mapper类。
1.选中新创建的包(Package)名“experiment”,鼠标右键选择它的子项“New”下的“Java Class”选项。
2.在弹出的窗口“Create New Class”中输入要建立的文件名字“JobWCMapper”和类型“Class”,然后点击“OK”按钮,完成类文件的创建。
3.此时在IDEA工具左侧窗口中的项目Project中包“experiment”下会看到新建立的类文件JobWCMapper,并且在IDEA工具的中央窗口中会看见新建立的类文件的内容,我们就在该窗口中编写JobWCMapper类的程序代码。
4.具体JobWCMapper类的程序代码如下:
[Code 002]:
package experiment;
import java.io.IOException;
import java.util.StringTokenizer;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
public class JobWCMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
/*定义变量*/
private final static IntWritable one = new IntWritable(1);
private Text word = new Text();
/*实现map方法,对输入值进行处理*/
public void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
/*定义变量(分割字符串)*/
StringTokenizer itr = new StringTokenizer(value.toString());
/*遍历数据*/
while (itr.hasMoreTokens()) {
/*word变量赋值*/
word.set(itr.nextToken());
/* context生成一个键值对数据*/
context.write(word, one);
}
}
}
5.写完代码后的窗口界面如下:
4)建立JobWCReducer类文件,编写Reducer类。
1.编写过程与Mapper类文件相似。首先,选中新创建的包(Package)名“experiment”,鼠标右键选择它的子项“New”下的“Java Class”。
2.在弹出的窗口“Create New Class”中输入要建立的文件名字“JobWCReducer”和类型“Class”,然后点击“OK”按钮,完成Reducer类文件的创建。
3.此时在IDEA工具左侧窗口项目Project中包“experiment”下会看到新建立的类文件,并且在IDEA工具的中央窗口中会看见新建立类文件“JobWCReducer”的内容,我们在该窗口中编写JobWCReducer类的程序代码。
4.具体JobWCReducer类的程序代码如下:
[Code 003]:
package experiment;
import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
public class JobWCReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
/*实现reduce方法,在此方法中,reduce函数将输入的key值作为输出的key值,然后将获得多个value值加起来,作为输出的值。*/
protected void reduce(Text key, Iterable<IntWritable> values,Context context) throws IOException, InterruptedException {
/*定义变量sum 用来统计单词出现次数*/
int sum = 0;
/*遍历数据*/
for (IntWritable val : values) {
/*计算单词出现次数*/
sum += val.get();
}
/*context生成一个键值对数据*/
context.write(key, new IntWritable(sum));
}
}
5.写完代码后的窗口界面如下:
5)编写主函数,通过Job方法启动Mapper、Reducer作业。
1.选中新创建的包(Package)名“experiment”,鼠标右键选择它的子目录“New”下的“Java Class”。
2.在弹出的窗口“Create New Class”中输入要建立的文件的名字“JobWC”和类型“Class”,然后点击“OK”按钮,完成类文件的创建。该类文件用于调度MapperReducer的作业程序。常规的方法Hadoop老版本中可通过JobConf去调度,新版本中它仍然可用,但更推荐采用Job调度。对于MapReduce程序的调度也可能通过Tool工具完成。本次实验只介绍常用的Job调度的写法。
3.此时在IDEA工具左侧窗口项目Project中包“experiment”下会看到新建立的类文件“JobWC”,并且在IDEA工具的中央窗口中会看见新建立的类文件“JobWC”的类文件内容,我们在该窗口中编写JobWC类的程序代码。
4.具体JobWC类的程序代码如下:
[Code 004]:
package experiment;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
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.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
public class JobWC {
public static void main(String[] args) throws Exception {
/*指定InputPath、outputPath*/
args=new String[]{"hdfs://master:9000/root/experiment/datas","hdfs://master:9000/root/experiment/output"};
if(args.length!=2){
System.err.println("Usage:please put <in> <out>");
System.exit(2);
}
/*创建Configuration对象*/
Configuration conf = new Configuration();
/*设置fs.defaultFS属性值*/
conf.set("fs.defaultFS", "hdfs://master:9000");
/*创建Job对象并进行初始化*/
Job job = Job.getInstance(conf);
/*指定Jar的来源类*/
job.setJarByClass(JobWC.class);
/*指定作业名称*/
job.setJobName("JobWC");
/*设置作业输出数据的键类*/
job.setOutputKeyClass(Text.class);
/*设置作业输出的值类*/
job.setOutputValueClass(IntWritable.class);
/*设置作业的Mapper类*/
job.setMapperClass(JobWCMapper.class);
/*设置作业的Reducer类*/
job.setReducerClass(JobWCReducer.class);
/*设置作业的输入格式类*/
job.setInputFormatClass(TextInputFormat.class);
/*设置作业的输出格式类*/
job.setOutputFormatClass(TextOutputFormat.class);
/*设置输出地址*/
Path output=new Path(args[1]);
/*获得文件系统*/
FileSystem fs=FileSystem.get(conf);
/*路径存在则删除该路径(文件夹)*/
if(fs.exists(output)){
fs.delete(output, true);
}
/*指定InputPath、outputPath*/
FileInputFormat.addInputPath(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
/*将作业提交给集群并等待它完成*/
job.waitForCompletion(true);
}
}
5.写完代码后的窗口界面如下:
四.运行程序与结果验证
1)IDEA下Maven项目中MapReduce程序运行过程
1.在IDEA工具下刚建立完的项目project下打开要运行的程序“JobWC”,并在窗口中点击鼠标右键,在弹出的窗口中点击“Run jobWC.main()”选项,开始运行JobWC中main方法中调用的MapReduce程序。(注意,如果多次运行,每次运行前请将输出目录"hdfs://master:9000/root/experiment/output",删除后运行,或者将输出目录更名为HDFS上不存在的目录)
2.运行时会在IDEA工具下的控制台显示运行的结果。
3.如果需要观察程序的运行过程,可将Linux平台下/opt/hadoop/etc/hadoop/路径中的log4j.properties文件拷贝至IDEA工具下项目project中的resources下。运行后,会在控制台中显示MapReduce过程的描述。例如启动的JobID,一共启动了多个少Mapper等等信息。
2)HDFS中验证运行结果
1.查询运行结果。其中datas下是计算用的数据,而output下的part-r-00000是运行结果。
[Command 008]:
hadoop fs -ls -R /root/experiment/
2.查询运行结果中的内容(注意:图中显示的是部分结果)。
[Command 009]:
hadoop fs -cat /root/experiment/output/part-r-00000
实验总结:
本实验使用mapreduce技术,利用分布式计算的原理,实现了多个文件的单词频率的统计。通过本实验需要重点掌握map类的结构与内容,reduce类的结构与内容以及驱动类的结构与内容。理解了分布式计算程序代码的编写过程,为以后编写更加复杂的mapreduce分布式应用程序打下良好的基础。