Hadoop中通过ToolRunner和Configured实现直接读取命令行动态出入reduce task数量，jar文件等...

一个典型的实现Tool的程序：

/** MyApp 需要从命令行读取参数，用户输入命令如， $bin/hadoop jar MyApp.jar -archives test.tgz  arg1 arg2 -archives 为hadoop通用参数，arg1 ,arg2为job的参数 */ public class MyApp extends Configured implements Tool {          //implemet Tool’s run          public int run(String[] args) throws Exception {                    Configuration conf = getConf();                    // Create a JobConf using the processed conf                    JobConf job = new JobConf(conf, MyApp.class);                    // Process custom command-line options                    Path in = new Path(args[1]);                    Path out = new Path(args[2]);                    // Specify various job-specific parameters                    job.setJobName(“my-app”);                    job.setInputPath(in);                    job.setOutputPath(out);                    job.setMapperClass(MyApp.MyMapper.class);                    job.setReducerClass(MyApp.MyReducer.class);                                         JobClient.runJob(job);          }                  public static void main(String[] args) throws Exception {                    // args由ToolRunner来处理                    int res = ToolRunner.run(new Configuration(), new MyApp(), args);                    System.exit(res);          } }

 

说明：

使用ToolRunner让参数传递更简单，关于MapReduce运行和参数配置，你是否有下面的烦恼：

A: 将MapReduce Job配置参数写到java代码里，一旦变更意味着修改java文件源码、编译、打包、部署一连串事情。

B:当MapReduce 依赖配置文件的时候，你需要手工编写java代码使用DistributedCache将其上传到HDFS中，以便map和reduce函数可以读取。

C:当你的map或reduce 函数依赖第三方jar文件时，你在命令行中使用”-libjars”参数指定依赖jar包时，但根本没生效。

D:其实，Hadoop有个ToolRunner类，它是个好东西，简单好用。无论在《Hadoop权威指南》还是Hadoop项目源码自带的example，都推荐使用ToolRunner。

 

下面我们看下src/example目录下WordCount.Java文件，它的代码结构是这样的：

public class WordCount {

   // 略...

   public static void main(String[] args) throws Exception {

       Configuration conf = new Configuration();

       String[] otherArgs = new GenericOptionsParser(conf,

                                           args).getRemainingArgs();

       // 略...

       Job job = new Job(conf, "word count");

       // 略...

       System.exit(job.waitForCompletion(true) ? 0 : 1);

    }

}

WordCount.java中使用到了GenericOptionsParser这个类，它的作用是将命令行中参数自动设置到变量conf中。举个例子，比如我希望通过命令行设置reduce task数量，就这么写：bin/hadoop jar MyJob.jar com.xxx.MyJobDriver -Dmapred.reduce.tasks=5

上面这样就可以了，不需要将其硬编码到java代码中，很轻松就可以将参数与代码分离开。

其它常用的参数还有”-libjars”和-“files”，使用方法一起送上：

bin/hadoop jar MyJob.jar com.xxx.MyJobDriver -Dmapred.reduce.tasks=5\

   -files ./dict.conf  \

   -libjars lib/commons-beanutils-1.8.3.jar,lib/commons-digester-2.1.jar

参数”-libjars”的作用是上传本地jar包到HDFS中MapReduce临时目录并将其设置到map和reduce task的classpath中；参数”-files”的作用是上传指定文件到HDFS中mapreduce临时目录，并允许map和reduce task读取到它。这两个配置参数其实都是通过DistributeCache来实现的。

至此，我们还没有说到ToolRunner，上面的代码我们使用了GenericOptionsParser帮我们解析命令行参数，编写ToolRunner的程序员更懒，它将GenericOptionsParser调用隐藏到自身run方法，被自动执行了，修改后的代码变成了这样：

 

public class WordCount extends Configuredimplements Tool {

 

   @Override

   public int run(String[] arg0) throws Exception {

       Job job = new Job(getConf(), "word count");

       // 略...

       System.exit(job.waitForCompletion(true) ? 0 : 1);

       return 0;

    }

 

   public static void main(String[] args) throws Exception {

       int res = ToolRunner.run(new Configuration(), new WordCount(), args);

       System.exit(res);

    }

}

看看代码上有什么不同：

让WordCount继承Configured并实现Tool接口。

重写Tool接口的run方法，run方法不是static类型，这很好。

在WordCount中我们将通过getConf()获取Configuration对象。

 

最终我们得出的总结是：

1、通过使用ToolRunner.run(...)方法，可以更便利的使用hadoop命令行参数。

2、ToolRunner.run(...)通过调用Tool类中的run(String[])方法来运行hadoop程序，并默认加载core-default.xml与core-site.xml中的参数。

 

在程序运行时，可以通过命令行修改参数，可修改的内容如下：