最近在开发mapreduce程序,输入有hdfs、hbase形式,输出有hdfs、mysql等形式。碰到了如何添加第三方依赖jar的问题,在网上查了很多资料,记录下来,免得再走弯路。
下面所有方法基于hadoop-1.0.1版本实现,其它版本可能略有不同。
总结了一下,总共有五种方法:
方法1和2的思想是一样的,都是把所有的依赖放入到一个jar包中。但这些方法不利于版本的维护, 不推荐使用。
方法3则需要配置集群中所有的node,而且也让hadoop本身依赖了第三方不相关的jar。
方法4必须由代码去控制第三方的jar依赖,也不利于依赖的管理。
方法5则没有上述问题, 推荐使用。
不过使用方法5有一些注意事项,否则你会发现即使设置了-libjars,还是找不到依赖的类。
下面所有方法基于hadoop-1.0.1版本实现,其它版本可能略有不同。
总结了一下,总共有五种方法:
-
- 1、制作一个超级jar包,包含你的classes和所有依赖的第三方classes
-
- 2、和方法1差不多,只不过不是把依赖的第三方classes直接放入jar中,而是把第三方依赖的jar放在待提交jar包的lib目录下。
-
- 3、将jar包放在hadoop集群的各自node上,修改hadoop-env.sh中HADOOP_TASKTRACKER_OPTS 的值或者HADOOP_CLASSPATH。
-
- 4、将依赖的jar包拷贝事先到hdfs上,在代码中通过DistributedCache.addFileToClassPath方法,将其加入到依赖中。
-
- 5、使用hadoop jar的-libjars参数来设置第三方依赖的jar
方法1和2的思想是一样的,都是把所有的依赖放入到一个jar包中。但这些方法不利于版本的维护, 不推荐使用。
方法3则需要配置集群中所有的node,而且也让hadoop本身依赖了第三方不相关的jar。
方法4必须由代码去控制第三方的jar依赖,也不利于依赖的管理。
方法5则没有上述问题, 推荐使用。
不过使用方法5有一些注意事项,否则你会发现即使设置了-libjars,还是找不到依赖的类。
这个方法:如果包是在map 类,reudce类中使用没问题,如果你的依赖包在main方法或job提交之前使用中还是会找不到类
因为以下原因
conf.setClassLoader(new URLClassLoader(libjars, conf.getClassLoader()));
Thread.currentThread().setContextClassLoader(...)
这意味着,这些包都被加载到当前classloader的子loader中,不是当前classloader中,所以,你不能在当前的job中直接使用这些包。
方法5具体使用步骤:
1、提交jar参数设置
- hadoop jar my-example.jar com.example.MyTool -libjars mysql-connector-java.jar,abc.jar
多个jar包间使用逗号分隔。
2、main函数的参数必须使用GenericOptionsParser解析。
- public static void main(String[] args) throws Exception {
- Configuration conf = new Configuration();
- String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
- ....
- }
或者通过ToolRunner.run去解析参数
- public static void main(final String[] args) throws Exception {
- Configuration conf = new Configuration();
- int res = ToolRunner.run(new MyTool(), args);
- System.exit(res);
- }
- public class MyTool extends Configured implements Tool {
- public final int run(final String[] args) throws Exception {
- Job job = new Job(super.getConf());
- ...
- job.waitForCompletion(true);
- return ...;
- }
详细代码可以参照mapreduce内的examples。
实际上ToolRunner.run的内部也是调用了GenericOptionsParser去解析参数。跟踪源码就会发现GenericOptionsParser有这样的一段代码:
- if (line.hasOption("libjars")) {
- conf.set("tmpjars",
- validateFiles(line.getOptionValue("libjars"), conf));
- //setting libjars in client classpath
- URL[] libjars = getLibJars(conf);
- if(libjars!=null && libjars.length>0) {
- conf.setClassLoader(new URLClassLoader(libjars, conf.getClassLoader()));
- Thread.currentThread().setContextClassLoader(
- new URLClassLoader(libjars,
- Thread.currentThread().getContextClassLoader()));
- }
- }
最终是往Configuration里设置了tmpjars的属性。
参考文献:
1、http://blog.cloudera.com/blog/2011/01/how-to-include-third-party-libraries-in-your-map-reduce-job/
2、http://grepalex.com/2013/02/25/hadoop-libjars/