PDI(kettle)使用Hadoop job executor将写好的MapReduce放至Hadoop集群上运行

1. 准备好需要放上Hadoop执行的jar。创建作业如下图：
   
   编辑Hadoop job executor如下：
   
   Jar：在静态main方法里面包含Hadoop mapper和reducer job的Java JAR
   Driver class：包含main方法的类
   Command line arguments：输入执行时所需参数，即main方法的args。
   注意：
   1.Output path 必须不存在
   2.Combiner class：组合器类一般不写，Pentaho默认的即可满足大部分需求，或者直接用reducer class
   3.如运行的jar包含$HADOOP_CLASSPATH之外的jar，则需要将所需jars一并打包进需要执行的jar。使用Maven打包包含依赖的jar需要在build里面加以下代码：

<plugin>
	<groupId>org.apache.maven.plugins</groupId>
	<artifactId>maven-assembly-plugin</artifactId>
	<configuration>
		<archive>
			<manifest>
				<mainClass>mapreduce.WordCountController</mainClass>
			</manifest>
		</archive>
		<descriptorRefs>	<descriptorRef>jar-with-dependencies</descriptorRef><!-- 打包所有dependencies -->
		</descriptorRefs>
		<!-- <appendAssemblyId>false</appendAssemblyId> --><!-- 是否保存到新的jar，默认true，即生成xxx-jar-with-dependencies,false则直接替换原先生成的jar文件 -->
	</configuration>
	<executions>
		<execution>
			<id>make-assembly</id>
			<phase>package</phase>
			<goals>
				<goal>single</goal>
			</goals>
		</execution>
	</executions>
</plugin>

可参考：https://maven.apache.org/plugins/maven-assembly-plugin/usage.html#Resources
2. 由于Hadoop jobexecutor 不包含执行作业之前删除输出文件夹的功能，那就自己动手。创建转换（删除HDFS上的文件夹.ktr）如下图：

编辑表输入：SELECT SYSDATE FROM DUAL。因为只是为了使用Java而需要产生的一个流，所以随便查点什么东西都可以（DPI 9似乎不需要表输入也可以运行成功，这里由于CDH版本问题我用的是PDI 7）。
编辑增加常量：值为需要删除的HDFS上的输出路径即：output path

编辑Java代码：

import mapreduce.utils.HDFSUtil;
public boolean processRow(StepMetaInterface smi, StepDataInterface sdi) throws KettleException {
  if (first) {
    first = false;
  }
  Object[] r = getRow();
  if (r == null) {
    setOutputDone();
    return false;
  }
  String folder = get(Fields.In, "folder").getString(r);
	try {
		boolean flag = HDFSUtil.removeFolder(folder);
		get(Fields.Out, "flagA").setValue(r, flag);
	} catch (Exception e) {
		putError(data.outputRowMeta, r, 1, "numErrorDescribe", "", "numErrorCode");
		setErrors(1);
		return false;
	}
  putRow(data.outputRowMeta, r);
  return true;
}

Java代码的使用方法可参考：
https://blog.csdn.net/qq_37219543/article/details/121771119?spm=1001.2014.3001.5501
HDFSUtil类的代码如下（比较懒，就写了一个删除）：

package mapreduce.utils;

import java.io.IOException;
import java.net.URI;
import java.util.ArrayList;
import java.util.HashMap;
import java.util.List;
import java.util.Map;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FSDataOutputStream;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.mapred.JobConf;

public class HDFSUtil {

	private static String hdfsPath = "hdfs://IP:8020/";
	private static Configuration conf;
	static {
		conf = config();
	}
	public static void main(String[] args) throws IOException {
		//JobConf conf = config();
		//HDFSUtil hdfs = new HDFSUtil(conf);
		boolean flag = HDFSUtil.removeFolder("hdfs://IP:8020/user/hdfs/output");
		System.out.println(flag);
	}
	/**
	 * 初始化配置文件
	 * @return
	 */
	public static JobConf config() {
		//设置hadoop_home
		System.setProperty("hadoop.home.dir", "E:\\work\\hadoop-2.6.0");
		JobConf conf = new JobConf(HDFSUtil.class);
		conf.setJobName("HDFSDao");
		//配置文件存放在HDFS上面
		conf.addResource("/sites/core-site.xml");
		conf.addResource("/sites/hdfs-site.xml");
		conf.addResource("/sites/mapred-site.xml");
		return conf;
	}
	/**
	 * 删除文件夹及文件夹下的文件
	 * @param folder
	 * @return true：成功，false：失败
	 */
	public static boolean removeFolder(String folder){
		Path path = new Path(folder);
		FileSystem fs = null;
		try {
			fs = FileSystem.get(URI.create(hdfsPath), conf);
			fs.deleteOnExit(path);
			//System.out.println("Delete: " + folder);
			fs.close();
			return true;
		} catch (IOException e) {
			e.printStackTrace();
			return false;
		}
	}

需要引入的jar(具体根据自己CDH版本来)：
htrace-core4-4.2.0-incubating.jar
hadoop-auth-2.7.3.2.5.0.0-1245.jar
hadoop-client-2.6.0-cdh5.10.0.jar
hadoop-common-2.6.0-cdh5.10.0.jar
hadoop-hdfs-2.6.0-cdh5.10.0.jar
hadoop-mapreduce-client-core-2.6.0-cdh5.10.0.jar
hadoop-yarn-api-2.6.0-cdh5.10.0.jar
hadoop-yarn-client-2.6.0-cdh5.10.0.jar
hadoop-yarn-common-2.6.0-cdh5.10.0.jar
这里有个坑需要注意一下：正常hadoop-2.6.0依赖的是htrace-core3，需要引入的包名为：org.htrace。但PDI支持的最低版本的JDK为1.8。那运行自动引入htrace-core4,包名为：org.apache.htrace。所以按正常的方法引入jar的话会报：

Exception in thread "main" java.lang.NoClassDefFoundError: org/apache/htrace/core/Tracer$Builder
    at org.apache.hadoop.fs.FsTracer.get(FsTracer.java:42)
    at org.apache.hadoop.fs.FileSystem.createFileSystem(FileSystem.java:2697)
    at org.apache.hadoop.fs.FileSystem.access$200(FileSystem.java:96)
    at org.apache.hadoop.fs.FileSystem$Cache.getInternal(FileSystem.java:2747)
    at org.apache.hadoop.fs.FileSystem$Cache.get(FileSystem.java:2729)
    at org.apache.hadoop.fs.FileSystem.get(FileSystem.java:384)
    at com.abc.test.HdfsDAO.copyFile(HdfsDAO.java:96)
    at com.abc.test.HdfsDAO.main(HdfsDAO.java:34)
Caused by: java.lang.ClassNotFoundException: org.apache.htrace.core.Tracer$Builder
    at java.net.URLClassLoader.findClass(Unknown Source)
    at java.lang.ClassLoader.loadClass(Unknown Source)
    at sun.misc.Launcher$AppClassLoader.loadClass(Unknown Source)
    at java.lang.ClassLoader.loadClass(Unknown Source)
    ... 8 more

3. 保存作业，运行作业，成功的话可到输出地址查看是否有文件生成。查看方法参考：
   hadoop fs -text output/part-r-00000.deflate
4. 常见报错信息处理：
   a.Could not find or load main class org.apache.hadoop.mapreduce.v2.app.MRAppMaster
   可能的原因为yarn里面未设置yarn.application.classpath。这里取值为Hadoop的$HADOOP_CLASSPATH，获取方式为：远程到Hadoop集群机器上执行：
   hadoop classpath