hadoop是基于java的数据计算平台,引入第三方库,例如C语言实现的开发包将会大大增强数据分析的效率和能力。 阿里巴巴内部使用的分词软件(用c++实现的,以下简称WS包)是日常工作中最基本的软件包,通过java的jni机制,笔者将WS包成功的运行在hadoop上,深受很多部门的欢迎。下面借这个例子介绍hadoop上jni程序的开发过程。
首先,简单介绍一下WS包中的调用接口和基本结构。 WS包包括词典文件A.dict,对外提供静态链接库文件libWS.a。WS.h如下:
1
2
3
4
5
6
7
|
Class WS{
int init( const char * name);
int segment( char * dest, char * src, int len, int kind);
}
|
我们的方案是首先生成jni的原型定义,然后根据原型定义,来包装WS类的接口,最后生成可在tasknode上运行的jni程序包。结构如下图所示
第一步,我们先使用java的jni技术,生成C的原型接口(prototype),然后编写Wsjni.java 文件,这是为云梯程序提供的类文件,其中libwsjni.so 就是wrapper类的动态链接库:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
Class Wsjni{
Public Native int init(String conf);
Public Native String segment(String src, int kind);
Public Native void close(); //用于显示的释放内存
Static{
System.LoadLibrary(“libwsjni.so”); // load 链接库
}
}
|
1
2
3
|
javac -d class Wsjni.java // 产生class文件
javah -classpath . /class ws.Wsjni // 这样就可以生成C的原型接口头文件Wsjni.h
|
Wsjni.h里面的有函数的原型声明,例如:
1
|
JNIEXPORT jint JNICALL Java_ws_Wsjni_ws_1init__Ljava_lang_String_2(JNIEnv *, jobject, jstring);
|
第二步,根据Wsjni.h实现wrapper类。需要阅读sun公司编写的jni的规范来实现应用,具体不在这里赘述。在Makefile中链接静态库libWs.a,从而生成一个动态的链接库libwsjni.so ,
1
|
g++ -g -o . /class/libwsjni .so -fPIC -shared -Wl,-soname,. /class/libWsjni .so ws_Wsjni.cpp –I. /include -Wl,-Bstatic –lWs –L. /lib/ -Wl,-Bdynamic
|
我们的wrapper类就写好了。我们可以通过java的程序来测试验证jni是否正确。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
Import Wsjni;
Class Test{
Public static void main(){
Wsjni ws= new Wsjni();
Ws.init(“taobao.conf”);
Ws.segment(“你好淘宝”, 1 );
Ws.close();
}
}
|
运行命令是
1
|
java – cp . /class –D java.liabray.path=. /class Test
|
为了在hadoop上运行Ws包,需要制作两个jar包,一个是wsjni.jar, 通过-libjar选项提供class文件; 一个用于hadoop集群运行,ws.jar里面放了Ws包运行时需要的资源文件,包括链接库和词典文件。
Wsjni.jar中的文件是:
1
|
./ Wsjni.class
|
Ws.jar 中的文件是:
1
2
3
|
./A.dict
./libwsjni.so
|
第三步,在hadoop上调用Wsjni。hadoop有很特殊的文件系统,这里笔者针对性介绍一下DistributeCache的机制。Hadoop可以将HDFS的一些文件分发到运行的某台机器的工作目录下,并按照一定的逻辑解压。通过以下API实现:
1
|
DistributedCache.addCacheArchive(“hdfs: //file_path/ws.jar#ws”,conf);
|
上面的API将ws.jar分发到tasknode上,并解压到工作目录的link目录下。Ws.jar包含ws相关的资源文件。在tasknode上,每个task工作目录下的文件是:
1
2
3
4
5
6
7
8
9
|
Jars/
Jars/yourJob.cass
ws/
ws/A.dict
ws/libwsjni.so
|
这样的目录结构,使得程序访问文件的路径一目了然,当调用者需要调用WS的接口时,词典A.dict和libwsjni.so 都在./ws 目录下。
因此,调用者的代码如下:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
|
Mapper(){
Wsjni wsjni= new Wsjni();
Public void configure( ){
Wsjni.init("./ws/taobao.conf”, 1 );
}
Public mapper(){
Wsjni.segment(sentence, 2 );
}
Public close(){
Wsjni.close();
}
}
Run(){
Jobconf.set(“java.library.path”,”./ws”);
DistributedCache.addCacheArchive(“hdfs: //file_path/ws.jar#ws”,conf);
}
|
需要设置 lava.library.path的原因是,java虚拟机需要找到libwsjni.so存放的路径。有必要通过ldd 命令看看so依赖哪些库,保证这些库和hadoop集群的tasknode中的库的版本一致。
罗嗦了这么多,都是细节问题,还得各位手动再做一遍,hadoop的程序不太方便调试,但是遇到的困难越多,收获的越多。呵呵。
欢迎各位不吝赐教。