Hadoop初体验——搭建hadoop简单实现文本数据全局排序

      之前在实现一些机器学习算法时，跑数据量、feature很多的数据集往往要耗费很多时间，尤其是处理大量文本数据时候，单机跑算法的时间让我无法容忍，理论上如果合理的将大数据量分布式并行计算框架（例如hadoop）应用到这些算法上能有效提高算法执行速度(当然，要求算法本身可以全部或部分进行并行化处理)，下一步想要学习Mahout（http://mahout.apache.org/），它的目标是：build scalable machine learning libraries，它是基于hadoop的，所以在此之前需要学习一下Hadoop，先从hadoop搭建开始吧。

1、硬件、软件准备

      手头上有三台配置一样的电脑，就不去装虚拟机了，配置如下：

CPU：Intel(R) Pentium(R) Dual  CPU  E2200  @ 2.20GHz

Memory：2001MiB

Network：NetLink BCM5786 Gigabit Ethernet

      三台电脑装有相同的操作系统——Ubuntu 11.04

2、安装过程

      任选一台机器作为master，其他机器作为slaves，所有机器拥有相同的用户、相同的环境变量配置、相同的hadoop目录结构、相同的Java目录结构。

（1）、更改host文件

      master机器：在终端执行：sudo gedit /etc/hosts，添加以下信息：

172.22.9.209    namenode-m

172.22.9.185    datanode-1

172.22.9.220    datanode-2

     slaves机器：处理方式类似。

（2）、安装SSH

      1)、为所有机器安装ssh：在终端运行：sudo apt-get install ssh，查看/leozhang目录下是否有.ssh文件夹(需要View->Show Hidden Files才能看见隐藏文件)，如果没有，在终端运行：sudo mkdir .ssh;

      2）、在终端运行：

      cd .ssh

      #生成公钥、私钥密钥对

      ssh-keygen  #一直回车

      #将公钥内容复制到authorized_keys文件
      cp id_rsa.pub authorized_keys

      #设定authorized_keys文件属性为-rw-r--r--，即文件属主拥有读写权限，与文件属主同组的用户拥有读权限，其他人拥有读权限。

      chmod 644 authorized_keys

      #将公钥拷贝到slaves

      scp authorized_keys datanode-1:/home/leozhang/.ssh #这里也可以是scp authorized_keys leozhang@datanode-1:/home/leozhang/.ssh

      scp authorized_keys datanode-2:/home/leozhang/.ssh #同上

      最后测试设置是否成功，如：ssh datanode-1，如果不用输入密码就能登录，说明设置成功。

（3）、下载并配置jdk

      1）、从http://www.oracle.com/technetwork/java/javase/downloads/java-se-jdk-7-download-432154.html下载jdk-7-linux-i586.tar.gz,解压后得到文件夹：jdk1.7.0，（例如下载并解压到了：/home/leozhang/Downloads）；

      2）、在所有机器上做如下操作：在/usr建立文件夹java：在终端执行：sudo mkdir /usr/java，并将jdk1.7.0拷贝到java文件夹：进入/home/leozhang/Downloads目录，在终端执行sudo mv jdk1.7.0 /usr/java;

      3)、在终端执行：sudo gedit /etc/profile，在文件末尾添加：

JAVA_HOME="/usr/java/jdk1.7.0"

export JAVA_HOME

PATH=$JAVA_HOME/bin:$PATH

export PATH

CLASSPATH=.:$JAVA_HOME/lib/dt.jar:$JAVA_HOME/lib/tools.jar:$CLASSPATH 

export CLASSPATH

      4）、在终端执行：

      cd /usr/java

      scp -r java1.7.0 leozhang@datanode-1:/usr/java

      scp -r java1.7.0 leozhang@datanode-2:/usr/java

（4）、下载并配置hadoop

      hadoop包含三个部分：

Hadoop Common: The common utilities that support the other Hadoop subprojects.

Hadoop Distributed File System (HDFS™): A distributed file system that provides high-throughput access to application data.

Hadoop MapReduce: A software framework for distributed processing of large data sets on compute clusters.

     1）、从http://labs.renren.com/apache-mirror//hadoop/core/hadoop-0.20.204.0/下载hadoop-0.20.204.0.tar.gz，解压到home/leozhang中并重命名为hadoop；

     2）、在终端执行：sudo gedit /etc/profile，在文件末尾添加：

HADOOP_HOME=/home/leozhang/hadoop

export HADOOP_HOME

export HADOOP=$HADOOP_HOME/bin

export PATH=$HADOOP:$PATH

     3）、hadoop配置文件

     在hadoop文件夹中有一个conf文件夹，里面是hadoop所需的配置文件，主要关注的有以下几个：

     ●hadoop-env.sh

      需要改动的只有一处，设置JAVA_HOME。

# The java implementation to use.  Required.
export JAVA_HOME=/usr/java/jdk1.7.0

     ●core-site.xml

     fs.default.name指出NameNode所在的地址，NameNode要跑在master机器上。

<configuration>
     <property>
         <name>fs.default.name</name>
         <value>hdfs://172.22.9.209:9000</value>
     </property>

     <property>
      <name>hadoop.logfile.size</name>
      <value>10000000</value>
      <description>The max size of each log file</description>
     </property>

     <property>
      <name>hadoop.logfile.count</name>
      <value>10</value>
      <description>The max number of log files</description>
     </property>

</configuration>

     ●hdfs-site.xml

      dfs.replication默认是3，如果DataNode个数小于3会报错。

<configuration>
     <property>
         <name>dfs.replication</name>
         <value>2</value>
     </property>
</configuration>

     ●mapred-site.xml

      mapred.job.tracker指出jobtracker所在地址，其它项不去配置则都为默认值。

<configuration>
     <property>
         <name>mapred.job.tracker</name>
         <value>172.22.9.209:9001</value>
     </property>
</configuration>

     关于配置文件的详细信息可以在http://hadoop.apache.org/common/docs/stable/cluster_setup.html中找到。

     ●masters

        172.22.9.209

     ●slaves

        172.22.9.185
        172.22.9.220

      4）、在终端执行：

      cd /home/leozhang

      scp -r hadoop leozhang@datanode-1:/home/leozhang

      scp -r hadoop leozhang@datanode-2:/home/leozhang

      5）、在终端执行：source /etc/profile，如果不管用就注销然后重新登录。

3、数据全局排序 

(1)、工具准备

      需要下载eclipse，地址是http://www.eclipse.org/downloads/，也可以在终端运行sudo apt-get install eclipse，可以装个mapreduce的插件，方便在单机调试代码，那个插件在下载的hadoop的目录里，如：/home/leozhang/hadoop/contrib/eclipse-plugin/hadoop-eclipse-plugin-0.20.204.0.jar，把它拷贝到eclipse安装目录的plugins文件夹中即可。

(2)、启动hadoop

      第一次使用需要初始化NameNode，在master机器的终端上执行：hadoop namenode -format；

      在master机器的终端上执行：start-all.sh，可以用jps来查看本机的java进程，在master上启动了3个进程：JobTracker、SecondaryNameNode、NameNode，而slaves机器上有2个进程：TaskTracker、DataNode；需要停止进程，只要在master机器的终端上执行：stop-all.sh。

      在http://localhost:50070/可以看到NameNode的详细信息，如：

      在http://localhost:50030可以看到作业的详细信息，如：

(3)、关于mapreduce

      mapreduce很适合数据之间相关性较低且数据量庞大的情况，map操作将原始数据经过特定操作打散后输出，作为中间结果，hadoop通过shuffle操作对中间结果排序，之后，reduce操作接收中间结果并进行汇总操作，最后将结果输出到文件中，从这里也可以看到在hadoop中，hdfs是mapreduce的基石。可以用下面这幅图描述map和reduce的过程：

 

       有人用这么一句话解释mapreduce：

       We want to count all the books in the library. You count up shelf #1, I count up shelf #2. That's map. The more people we get, the faster it goes.
我们要数图书馆中的所有书。你数1号书架，我数2号书架。这就是“Map”。我们人越多，数书就更快。

Now we get together and add our individual counts. That's reduce.
现在我们到一起，把所有人的统计数加在一起。这就是“Reduce”。

(4)、数据准备

      将待排序文本上传到hdfs上并放在input文件夹中，在终端执行：hadoop dfs –mkdir input；

      假设数据文件data.txt放在本地磁盘的/home/leozhang/testdata中，在终端执行：cd /home/leozhang/testdata；hadoop dfs –put data input/

(5)、排序思路

      借鉴快速排序的思路：假设为升序排序，那么每完成一次partition，pivot左边所有元素的值都小于等于pivot，而pivot右边的所有元素的值都大于等于pivot，如果现在有N个pivot，那么数据就被map成了N+1个区间，让reducer个数等于N+1，将不同区间的数据发送到相应区间的reducer；hadoop利用shuffle操作将这N+1份数据自动排序，reduce操作只需要接收中间结果后直接输出到文件即可。

由此归纳出用hadoop对大量数据排序的步骤：

1）、对待排序数据进行抽样；

2）、对抽样数据进行排序，产生pivot（例如得到的pivot为：3,9,11）；

3）、Map对输入的每条数据计算其处于哪两个pivot之间，之后将数据发给相应的reduce（例如区间划分为：<3、[3,9)、>=9，分别对应reducer0、reducer1、reducer2）；

4）、Reduce将获得数据直接输出。

(6)、简单实现

      数据抽样由：RandomSelectMapper和RandomSelectReducer完成，数据划分由ReducerPatition完成，排序输出由SortMapper和SortReducer完成，执行顺序为：RandomSelectMapper –> RandomSelectReducer –> SortMapper –> SortReducer。

这个实现方式总觉得不给力，尤其是数据划分那块儿，不知道大家会怎么做，指导一下我吧，呵呵。代码可以从这里得到。

1）、pivot的选取采用随机的方式：

package MRTEST.Sort;

import java.io.IOException;
import java.util.Random;
import java.util.StringTokenizer;

import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

public class RandomSelectMapper
        extends Mapper<Object, Text, Text, Text>{
    private static int currentSize = 0;
    private Random random = new Random();

    public void map(Object key, Text value, Context context)
        throws IOException, InterruptedException{
        StringTokenizer itr = new StringTokenizer(value.toString());
        while(itr.hasMoreTokens()){
            currentSize++;
            Random ran = new Random();
            if(random.nextInt(currentSize) == ran.nextInt(1)){
                  Text v = new Text(itr.nextToken());
                    context.write(v, v);
            }
            else{
                itr.nextToken();
            }
        }
    }

}

pivot的排序由hadoop完成：

package MRTEST.Sort;

import java.io.IOException;

import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

public class RandomSelectReducer
        extends Reducer<Text, Text, Text, Text>{

    public void reduce(Text key, Iterable<Text> values, Context context)
        throws IOException, InterruptedException{

        for (Text data : values) {
            context.write(null,data);
            break;
        }
    }
}

2）、SortMapper直接读取数据：

package MRTEST.Sort;

import java.io.IOException;
import java.util.StringTokenizer;

import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

public class SortMapper
        extends Mapper<Object, Text, Text, Text> {

    public void map(Object key, Text values,
            Context context) throws IOException,InterruptedException {
          StringTokenizer itr = new StringTokenizer(values.toString());
          while (itr.hasMoreTokens()) {
              Text v = new Text(itr.nextToken());
                context.write(v, v);
        }
    }

}

向相应的Reducer分发数据：

 

package MRTEST.Sort;

import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Partitioner;

public class ReducerPartition
        extends Partitioner<Text, Text>{

    public int getPartition(Text key, Text value ,int numPartitions){
        return HadoopUtil.getReducerId(value, numPartitions);
    }
}

最后由SortReducer输出结果：

package MRTEST.Sort;

import java.io.IOException;


import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

public class SortReducer
        extends Reducer<Text, Text, Text, Text> {

    public void reduce(Text key, Iterable<Text> values,
            Context context) throws IOException, InterruptedException {

        for (Text data : values) {
            context.write(key,data);
        }
    }
}

3)、作业的组织由SortDriver完成：

package MRTEST.Sort;

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.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;


public class SortDriver {

    public static void runPivotSelect(Configuration conf,
                                      Path input,
                                      Path output) throws IOException, ClassNotFoundException, InterruptedException{

        Job job = new Job(conf, "get pivot");
        job.setJarByClass(SortDriver.class);
        job.setMapperClass(RandomSelectMapper.class);
        job.setReducerClass(RandomSelectReducer.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(Text.class);
        FileInputFormat.addInputPath(job, input);
        FileOutputFormat.setOutputPath(job, output);
        if(!job.waitForCompletion(true)){
            System.exit(2);
        }
    }

    public static void runSort(Configuration conf,
                               Path input,
                               Path partition,
                               Path output) throws IOException, ClassNotFoundException, InterruptedException{
        Job job = new Job(conf, "sort");
        job.setJarByClass(SortDriver.class);
        job.setMapperClass(SortMapper.class);
        job.setCombinerClass(SortReducer.class);
        job.setPartitionerClass(ReducerPartition.class);
        job.setReducerClass(SortReducer.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(Text.class);
        HadoopUtil.readPartition(conf, new Path(partition.toString() + "\\part-r-00000"));
        job.setNumReduceTasks(HadoopUtil.pivots.size());
        FileInputFormat.addInputPath(job, input);
        FileOutputFormat.setOutputPath(job, output);

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

    public static void main(String[] args) throws Exception {
        Configuration conf = new Configuration();
        String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
        if (otherArgs.length != 3) {
          System.err.println("Usage: sort <input> <partition> <output>");
          System.exit(2);
        }

        Path input = new Path(otherArgs[0]);
        Path partition = new Path(otherArgs[1]);
        Path output = new Path(otherArgs[2]);

        HadoopUtil.delete(conf, partition);
        HadoopUtil.delete(conf, output);

        SortDriver.runPivotSelect(conf,input,partition);
        SortDriver.runSort(conf,input, partition, output);
    }
}

(7)、打包并测试

      在master机器上，单击eclipse的File菜单中的Export，选择Java –> JAR file，单击Next，在左边树形结构中把你想打包的文件勾选，单击Next，再单击Next，在Main class里选择应用程序入口(可选项)，最后点Finish，可以看到一个jar文件，例如：Sort.jar。

      进入Sort.jar所在路径，在终端输入：hadoop jar Sort.jar input partition output

(8)、查看结果

      在http://localhost:50030中可以跟踪所有作业的执行情况。

      在hdfs上查看结果，终端输入：hadoop dfs –cat output/*，或者将hdfs上的文件抓到本地查看：hadoop dfs –get output output。

４、参考资料

      1、http://hadoop.apache.org/

      2、http://subject.csdn.net/hadoop/

      3、Hadoop The Definitive Guide 2nd Edition

      4、http://hi.baidu.com/gaolongquan/blog/item/2148dc240a0a7026c99559da.html

      5、http://stblog.baidu-tech.com/?p=397&cpage=1