云计算与海量数据管理实验

撰文目的：记录 NUAA 2022-2023 学年第一学期选修实验课的过程，也希望对后面学这门课程的同学有所帮助。

主要参考链接：https://blog.csdn.net/catharryy/article/details/9186757

Hadoop实验教程部分由老师给出，这部分内容非常详细，我在自己实践的基础上稍加改动了一些。

Hadoop实验教程

一、安装虚拟机软件VirtualBox （Vmware Workstation也可）

这里我选择的是Vmware Workstation。

二、使用VirtualBox新建虚拟机并安装Ubuntu系统

提示：硬盘不要分太小，后续计算有出问题的可能性

Ubuntu镜像下载地址  https://ubuntu.com/download/desktop

若遇到关于虚拟机的安装问题，请自行解决，此处不做过多阐述。

唯一要提醒大家的是：虚拟机用户名尽量能体现自己的身份（比如名字拼写之类的），这样就可以跳过第三个步骤了。

三、创建一个新账户（教程中红色hadoop为用户名，黑色hadoop为文件夹）

　　1、使用CTRL+ALT+T打开命令行终端，输入命令创建新用户

　　　　sudo useradd -m hadoop -s /bin/bash  

　　　　说明：-m表示自动创建用户目录（/home/hadoop），hadoop是用户名，-s表示使用/bin/bash作为shell  (注意用户名能体现是自己做的)

　　2、给新用户设置密码

　　　　sudo passwd hadoop

　　　　说明：输入两次新密码

　　3、给新用户增加管理员权限

　　　　sudo adduser hadoop sudo

　　4、注销当前用户，并以新用户登录（登录新建的hadoop账户）

四、在Ubuntu中挂载共享文件夹

VirtualBox：

　　1、“设备”->“共享文件夹”，记住共享文件夹的共享名

　　2、“设备”->“安装增强功能“

　　　　说明：安装好了，桌面上会出现光盘图标VBox_GAs_5.2.18和一个虚拟盘sf_VirtualBoxShare

3、进入目录/media/hadoop/VBox_GAs_5.2.18，执行命令./VBoxLinuxAddtion.run

　　4、将共享文件夹挂载到Ubuntu的一个文件夹

　　　　（1）创建挂载的目标文件夹

　　　　　　mkdir ~/share

　　　　（2）挂载

　　　　　　格式：mount -t vboxsf 共享名 本地目录

　　　　　　mount -t vboxsf VirtualBoxShare ~/share

　　　　　　说明：VirtualBox是共享文件夹的共享名，share目录需要事先在家目录（~，即/home/hadoop） 下创建

　　5、设置vbox共享粘贴板

　　　　“设备”->“共享粘贴板”->“双向“

　　　　说明：这样在真机和虚拟机之间可以任意的复制和粘贴。

Vmware Workstation：

1.依次点击VMWare窗口左上方的“虚拟机”、“设置”

2.弹出的对话框中依次点击“选项”、“共享文件夹”、“下一步”

3.选择要共享的文件夹路径，并填写名称。

4.进入虚拟机，安装VMware Tools：依次点击“虚拟机”、“重新安装VMware Tools”（1. 具体安装方法自行查找2. 如果该选项是灰色，说明已经安装好，无需再次安装）

5.至此，在/mnt/hgfs/下应该就能看到刚才在虚拟机中设置的windows下的共享文件夹vmshare了

6.如果到上面一步时/mnt/hgfs/下没有共享文件夹,再加一条命令即可：

vmhgfs-fuse .host:/  /mnt/hgfs/

这时把你在windows下的文件放入共享文件夹vmshare中，再回到Ubuntu中，cd 到/mnt/hgfs/vmshare，就可以看到这些共享的文件了。

五、安装一些必要的工具

　　1、更新apt-get

　　　　sudo apt-get update (执行这一步之前可将用户模式切换到根模式——输入sudo -s)

　　　　说明：apt-get是用来安装软件的工具

　　2、安装ssh服务

　　　　apt-get install openssh-server

　　　　说明：ssh是机器之间远程登录的服务

　　3、安装vim (如果不习惯使用vim编辑器可不安装)

　　　　apt-get install vim 

六、配置免密登录

　　1、禁用防火墙　　

　　　　ufw disable

　　　　ufw status //查看防火墙状态

2、生成密钥对

      ssh localhost（测试一下 SSH 是否可用，要在用户模式下登录——在此之前输入 su hadoop）

      exit

   

    cd ~/.ssh

　　　　ssh-keygen -t rsa

　　　　说明：一路回车，在~/.ssh目录会生成一个两个文件，id_rsa和id_rsa.pub

　　3、将公钥复制到localhost

　　　　ssh-copy-id localhost

　　　　说明：也可cat  ./id_rsa.pub >> ./authorized_keys，这样~/.ssh目录又会多一个文件authorized_keys

　　4、登录测试　　

　　　　ssh localhost （看是否需要输入密码）

　　5、退出与localhost的连接

　　　　exit

七、安装并配置jdk

　　1、在家目录（~）下新建/app 文件夹

　　　　mkdir ~/app

 　　　　说明：后面的jdk、hadoop等都安装在此

2、在真机中将jdk、hadoop的安装包复制到真机的共享文件夹中

jdk、hadoop安装包下载地址（hadoop尽量下载最新的适用版本，jdk下载jdk8的版本）

https://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html

https://mirrors.cnnic.cn/apache/hadoop/common/hadoop-2.10.1/

　　3、安装jdk

tar -zxvf /mnt/hgfs/vmshare/jdk-8u311-linux-x64.tar.gz -C ~/app

　　　　mv ~/app/jdk1.8.0_311 ~/app/jdk   (注意文件名匹配)

　　4、配置jdk

　　（1）编辑配置文件.bashrc

　　　　vim ~/.bashrc （不习惯用vim编辑器可改用 gedit ~/.bashrc，下同）（稍微提一下vim，可能经常用到的：i -> 插入模式，此时可以在文件任意位置编辑内容；编辑完成后，按下Esc键，依次输入 :wq 即可完成保存）

　　　　　export JAVA_HOME=/home/hadoop/app/jdk
　　　　　export JRE_HOME=$JAVA_HOME/jre
　　　　　export CLASSPATH=.:$CLASSPATH:$JAVA_HOME/lib:$JRE_HOME/lib
　　　　　export PATH=$PATH:$JAVA_HOME/bin:$JRE_HOME/bin

                这段内容可以复制到文件末尾，注意修改红字部分

　　（2）编译配置文件

　　　　source ~/.bashrc

　　（3）测试jdk

　　　　java -version

八、安装hadoop

　　1、安装hadoop

　　　tar -zxvf /mnt/hgfs/vmshare/hadoop-2.10.1.tar.gz -C ~/app //解压

　　　mv ~/app/hadoop-2.10.1 ~/app/hadoop //改名 (注意文件名匹配)

        sudo chown -R hadoop ./hadoop //修改hadoop权限

　　2、配置hadoop

　　　　（1）配置环境变量

　　　　　　vim ~/.bashrc，添加或修改以下语句：

export HADOOP_HOME=/app/hadoop

export PATH=$PATH:$JAVA_HOME/bin:$JRE_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin

　　　　　　source ~/.bashrc //编译生效

　　　　（2）配置hadoop-env.sh

　　　　　　vim ~/app/hadoop/etc/hadoop/hadoop-env.sh

　　　　　　找到export JAVA_HOME=${JAVA_HOME}这一行，将其修改为：
　　　　　　export JAVA_HOME=/home/hadoop/app/jdk

　　　　（3）配置core-site.xml (均位于~/app/hadoop/etc/hadoop/，下同)　　

　　　　　　<configuration>
　　　　　　　　<property>
　　　　　　　　　　<name>fs.defaultFS</name>
　　　　　　　　　　<value>hdfs://localhost:9000</value>
　　　　　　　　</property>
　　　　　　　　<property>
　　　　　　　　　　<name>hadoop.tmp.dir</name>
　　　　　　　　　　<value>/home/hadoop/app/hadoop/tmp</value>

　　　　　　　　</property>
　　　　　　</configuration>

　　　　（4）配置hdfs-site.xml　　　　

　　　　　　<configuration>
　　　　　　　　<property>

　　　　　　　　　　<!--配置块的副本数 -->
　　　　　　　　　　<name>dfs.replication</name>
　　　　　　　　　　<value>1</value>
　　　　　　　　</property>
　　　　　　</configuration>

　　　　（5）配置mapred-site.xml

　　　　　　说明：需将mapred-site.xml.template复制成mapred-site.xml

　　　　　　<configuration>
　　　　　　　　<property>
　　　　　　　　　　<name>mapreduce.framework.name</name>
　　　　　　　　　　<value>yarn</value>
　　　　　　　　</property>
　　　　　　</configuration>

　　　　（6）配置yarn-site.xml

　　　　　　<configuration>

　　　　　　　　<property>
　　　　　　　　　　<name>yarn.nodemanager.aux-services</name>
　　　　　　　　　　<value>mapreduce_shuffle</value>
　　　　　　　　</property>
　　　　　　</configuration>

九、运行hadoop

　　1、格式化namenode

　　　　cd ~/app/hadoop/bin

./hadoop namenode -format

　　　　说明：首次运行须格式化，以后运行就不需要这一步。格式化后会在core-site.xml中hadoop.tmp.dir所指定的目录中生成name文件夹。

　　2、运行hadoop (要在用户模式下)

　　　　cd ~/app/hadoop/sbin

　　　　./start-all.sh

　　3、查看进程：

　　　　jps　　　　　

　　　　　　14262 NameNode
　　　　　　15976 NodeManager
　　　　　　14385 DataNode
　　　　　　15884 ResourceManager
　　　　　　14601 SecondaryNameNode
　　　　　　16120 Jps
　　　　如果出现以上进程（前面的数字不一定一致），说明hadoop环境搭建成功，分布式系统启动完成。　　

　　4、webUI查看（在虚拟机中的网络浏览器查看）

　　　　http://localhost:50070 //查看hdfs

　　　　http://localhost:8088 //查看mapreduce作业情况

十、测试wordcount程序

　　1、生成单词文件

　　　　mkdir ~/tmp
　　　　echo 'hello world hello hadoop' > ~/tmp/word1.txt
　　　　echo 'hive run on hadoop' > ~/tmp/word2.txt　　

　　2、上传至hdfs

　　　　（1）在hdfs上新建输入数据的目录(在~/app/hadoop/bin目录下)
　　　　　　./hdfs dfs -mkdir /input
　　　　（2）上传文件

　　　　　　./hdfs dfs -put ~/tmp/word*.txt /input

　　3、运行hadoop自带的单词计数程序　　

　　　　./hadoop jar ~/app/hadoop/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.3.jar wordcount /input output

注：这里的红字部分可能需要修改，这时你需要去对应的路径下查看文件名，按实际情况进行修改，比如我在做这一步骤的时候，就将2.7.3修改成了2.10.1

4、查看结果

./hdfs dfs -cat /user/hadoop/output/part-r-00000

　　　　可以看到每个单词出现的次数

十一、实现并测试矩阵相乘程序（必做）

由于伪分布式环境下，节点性能有限，尤其是跑在虚拟机环境下，试了一下跑500*500的矩阵，Map到66%左右就发现虚拟机硬盘爆了，所以，为了测试算法的正确性，下面使用50*50的矩阵来运行。只要算法是恰当的，数据规模可以随硬件支持程度而改变。

参考博客 https://blog.csdn.net/catharryy/article/details/9186757

若对具体实现思路有兴趣，可以看看上面这篇文章，这里只说要实际操作的部分。

1、在~/app/hadoop目录下新建一个名为 local_matrix 的文件夹

2、在 local_matrix 文件夹下新建一个名为 MartrixMultiplication 的java文件，

参考 https://github.com/intergret/snippet/blob/master/MartrixMultiplication.java

文件内容如下（在链接所示的代码基础上略微改动）：

import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
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 MartrixMultiplication{

  public static class MartrixMapper extends Mapper<Object, Text, Text, Text>{
    
    private Text map_key = new Text();
    private Text map_value = new Text();
    
    int rNumber = 50;
    int cNumber = 50;
    String fileTarget;
    String i, j, k, ij, jk;
    
      
    public void map(Object key, Text value, Context context) throws IOException, InterruptedException {
      
        String eachterm[] = value.toString().split("#");
        fileTarget = eachterm[0];
        
        if(fileTarget.equals("M")){
          i = eachterm[1];
          j = eachterm[2];
          ij = eachterm[3];
            
          for(int c = 1; c<=cNumber; c++){
              map_key.set(i + "#" + String.valueOf(c));
              map_value.set("M" + "#" + j + "#" + ij);
              context.write(map_key, map_value);
          }
            
        }else if(fileTarget.equals("N")){
          j = eachterm[1];
          k = eachterm[2];
          jk = eachterm[3];

          for(int r = 1; r<=rNumber; r++){
              map_key.set(String.valueOf(r) + "#" +k);
              map_value.set("N" + "#" + j + "#" + jk);
              context.write(map_key, map_value);
          }
        }
    }

  } 
  
  
  public static class MartrixReducer extends Reducer<Text,Text,Text,Text> {
    
    private Text reduce_value = new Text();
    
    int jNumber = 50;

    int M_ij[] = new int[jNumber+1];
    int N_jk[] = new int[jNumber+1];

    int j, ij, jk;

    String fileTarget;
    int jsum = 0;
    
    public void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {
      
      jsum = 0; 

      for (Text val : values) {
        String eachterm[] = val.toString().split("#");
        
        fileTarget = eachterm[0];
        j = Integer.parseInt(eachterm[1]);
        
        if(fileTarget.equals("M")){
      	  ij = Integer.parseInt(eachterm[2]);
      	  M_ij[j] = ij;
        }else if(fileTarget.equals("N")){
      	  jk = Integer.parseInt(eachterm[2]);
      	  N_jk[j] = jk;
        }
        
      }
      
      for(int d = 1; d<=jNumber; d++){
    	 jsum +=  M_ij[d] * N_jk[d];
      }
      
      reduce_value.set(String.valueOf(jsum));
      context.write(key, reduce_value); 
    }

  }
  

  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: MartrixMultiplication <in> <out>");
	  System.exit(2);
      }
	    
      Job job = new Job(conf, "martrixmultiplication");
      job.setJarByClass(MartrixMultiplication.class);
      job.setMapperClass(MartrixMapper.class);
      job.setReducerClass(MartrixReducer.class);
	    
      job.setOutputKeyClass(Text.class);
      job.setOutputValueClass(Text.class);
	    
      FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
      FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
	    
      System.exit(job.waitForCompletion(true) ? 0 : 1);
	    		    
  }
  
}

3、进入 local_matrix 文件目录下，在终端输入

javac MartrixMultiplication.java -cp $(~/app/hadoop/bin/hadoop classpath) ，

此时目录下多出了一个MartrixMultiplication.class文件

4、接着在终端依次输入：

cd ..

jar -cvf local_matrix/MartrixMultiplication.jar -C local_matrix/ .

此时 local_matrix文件夹下又多出两个class文件和一个jar文件

5、回到根目录，创建一个名为 input2 的文件夹，在里面新建两个文件 M.data 和 N.data

M.data中的数据形式为：（一行一个数据）

M#a#b#c    表示M矩阵第a行第b列的值是c；

N.data中的数据形式为：（一行一个数据）

N#a#b#c    表示M矩阵第a行第b列的值是c；

注：1  <= a，b <= 50，c = 1

6、在hdfs上新建输入数据的目录(在~/app/hadoop/bin目录下)
　　　　　　./hdfs dfs -mkdir /input2
7、上传文件

　　　　　　./hdfs dfs -put ~/input2/*.data /input2

8、运行

./hadoop jar ~/app/hadoop/local_matrix/MartrixMultiplication.jar MartrixMultiplication /input2 output2

9、查看结果

./hdfs dfs -cat /user/hadoop/output2/part-r-00000

正确的结果图（部分）