一个完整的hadoop程序开发过程
目的
说明hadoop程序开发过程
前提条件
ubuntu或同类OS
java1.6.0_45
eclipse-indigo
hadoop-0.20.2
hadoop-0.20.2-eclipse-plugin.jar
各项版本一定要匹配，否则出了问题都不知道是什么原因。
配置
配置Java
配置分布式Hadoop
伪分布式与分布式有两点主要区别：
- 在namenode节点配置完成hadoop以后，需要用scp把hadoop复制到datanode节点，为了方便，最好全部机器的路径都是一样的，比如都在/opt/hadoop-0.20.2中。
- conf目录下的masters文件要把默认的localhost改成namenode节点的主机名或IP地址，Slaves文件中，要把localhost改成datanode节点的主机名或IP
eclipse的hadoop插件配置
hadoop-0.20.2-eclipse-plugin.jar是一个 eclipse中的hadoop插件。
它的作用是实现了HDFS的可视化操作，如果没有它，就要在大量地在终端输入命令，每个命令都是以bin/hadoop dfs开头。
如果你是新手，可能还觉得很新鲜，如果很熟悉命令的话，就会觉得很烦。新手总会变成老手，所以这个插件还是有必要的。
下面简单说一下配置过程：
eclipse和hadoop-eclipse-plugin这套插件的版本要求非常高，一定要高度匹配才能用。另一篇博文写了一部分对应关系：https://www.cnblogs.com/Sabre/p/10621064.html
1.下载hadoop-0.20.2-eclipse-plugin.jar，自行搜索。官网不太容易找旧版本。
2.把此jar放到eclipse插件目录下，一般是plugins目录
重新启动eclipse，如果版本正确，此时在eclipse中的project exporer中应该可以看到DFS Locations项。如果没有出现，很可能是版本的问题。
3.配置Hadoop所在目录。eclipse-->window菜单-->Preferences-->Hadoop Map/Reduce，右侧输入或选择你的Hadoop目录
4.显示Map/Reduce Locations窗口。eclipse-->window菜单-->Open Perspective-->Other，选择蓝色的小象图标Map/Reduce，会在下面出黄色的小象窗口，Map/Reduce Locations
5.配置Hadoop Location。Map/Reduce Locations中右键，New Hadoop Location，出现配置窗口，location name随便你写。下面的Map/Reduce Master框中的host，如果是分布式就用IP或主机名，不要用默认的localhost。port改成9000。DFS Master框中的Use M/R Master host默认打勾保持不变，下面的Port改成9001 。user name 一般默认中不中 ，
至此，eclipse的hadoop插件就配置完成了。
编写程序
以下的程序是从《hadoop实战》中脱胎出来的，之所以说脱胎，是因为原书中的代码缺少很多条件，不加以完善是无法运行的。这本书写得不好，感觉是为了评职称之类的事情，让学生给凑的，里面很多硬伤。之所以还在硬着头皮看下去，是因为多少还是讲了一些东西，同时也挑战一下自己，面对不那么完善的环境时，能否解决问题，而不是一味地寻找更好的教材，这是在豆瓣上写的一篇书评：https://book.douban.com/review/10071283/
1.打开eclipse，新建java项目。右键项目，properties，Java Builder Path，Libraries，Add External JARS，找到hadoop的目录，把根目录下的几个jar包都添加进来。
2.新建类，Score_process.java，复制粘贴以下代码：
package pkg1; import java.net.URI; import java.util.Iterator; import java.util.StringTokenizer; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.conf.Configured; import org.apache.hadoop.fs.FileSystem; import org.apache.hadoop.fs.Path; import org.apache.hadoop.io.IntWritable; import org.apache.hadoop.io.LongWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; import org.apache.hadoop.mapreduce.lib.input.TextInputFormat; import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat; import org.apache.hadoop.mapreduce.Job; import org.apache.hadoop.mapreduce.Mapper; import org.apache.hadoop.mapreduce.Reducer; import org.apache.hadoop.util.Tool; import org.apache.hadoop.util.ToolRunner; public class Score_process extends Configured implements Tool { //内部类Map public static class Map extends Mapper<LongWritable, Text, Text, IntWritable> { //map方法 public void map(LongWritable key, Text value, Context context) throws java.io.IOException ,InterruptedException { System.out.println("key值：" + key); String line = value.toString();//将输入的纯文本文件的数据转化为string //将输入的数据按行分割 StringTokenizer tokenizerArticle = new StringTokenizer(line, "\n"); //分别对每一行进行处理 while (tokenizerArticle.hasMoreTokens()) { //每行按空格划分 StringTokenizer tokenizerLine = new StringTokenizer(tokenizerArticle.nextToken()); String nameString = tokenizerLine.nextToken(); String scoreString = tokenizerLine.nextToken(); Text name = new Text(nameString); int scoreInt = Integer.parseInt(scoreString); context.write(name, new IntWritable(scoreInt));//输出姓名和成绩 } }; } //内部类Reduce public static class Reduce extends Reducer<Text, IntWritable, Text, IntWritable> { //reduce方法 public void reduce(Text key, java.lang.Iterable<IntWritable> values, Context context) throws java.io.IOException ,InterruptedException { int sum=0; int count=0; Iterator<IntWritable> iterator = values.iterator(); while (iterator.hasNext()) { sum += iterator.next().get(); count++; } int average = (int)sum/count; context.write(key, new IntWritable(average)); }; } public int run(String[] args) throws Exception { Configuration configuration = getConf(); //configuration.set("mapred", "Score_Process.jar"); //准备环境，删除已经存在的output2目录，保证输出目录不存在**开始************ final String uri = "hdfs://192.168.1.8:9000/"; FileSystem fs = FileSystem.get(URI.create(uri),configuration); final String path = "/user/grid/output2"; boolean exists = fs.exists(new Path(path)); if(exists){ fs.delete(new Path(path),true); } //准备环境，删除已经存在的output2目录，保证输出目录不存在**结束************ Job job= new Job(configuration); job.setJobName("Score_process"); job.setJarByClass(Score_process.class); job.setOutputKeyClass(Text.class); job.setOutputValueClass(IntWritable.class); job.setMapperClass(Map.class); job.setCombinerClass(Reduce.class); job.setReducerClass(Reduce.class); job.setInputFormatClass(TextInputFormat.class); job.setOutputFormatClass(TextOutputFormat.class); FileInputFormat.setInputPaths(job, new Path(args[0])); // System.out.println(new Path(args[0])); FileOutputFormat.setOutputPath(job, new Path(args[1])); boolean success = job.waitForCompletion(true); return success ? 0:1; } public static void main(String[] args) throws Exception { int ret = ToolRunner.run(new Score_process1(), args); System.exit(ret); } }
以上的代码中，有不少是套路，固定的模板。
Map是处理输入参数中给定的文本文件，处理完毕后，输出到HDFS，供reduce调用。 context.write(name, new IntWritable(scoreInt));这一句是关键。
Reduce调用map方法的结果，reduce后，写到OS文件系统。context.write(key, new IntWritable(average));这一句是关键。
整个run方法，需要改的只有setJobName和setJarByClass类的名字，其他的不用动。
整个main方法，不用动。
程序部分基本上就是这样。
编译
终端中输入
javac -classpath /opt/hadoop-0.20.2/hadoop-0.20.2-core.jar -d ~/allTest/ScoreProcessFinal/class ~/workspace-indigo/test5/src/pkg1/Score_process.java
如果没有报错，就说明编译成功。
打包
jar -cvf ~/allTest/ScoreProcessFinal/ScoreProcessFinal.jar -C ~/allTest/ScoreProcessFinal/class .
可以用以下命令查看包里的文件：
jar vtf ~/allTest/ScoreProcessFinal/ScoreProcessFinal.jar
执行
执行可以分为两种方式，一种在eclipse中，另一种在终端。
eclipse中运行
配置运行参数。run configurations，arguments，Program arguments：
文本框中输入：hdfs://host-thinkpad:9000/user/grid/input2 hdfs://host-thinkpad:9000/user/grid/output2
就是输入目录和输出目录，注意中间有个空格。
终端中运行
/opt/hadoop-0.20.2/bin/hadoop jar ~/allTest/ScoreProcessFinal/ScoreProcessFinal.jar pkg1.Score_process1 input2 output2
这就是hadoop开发的全过程框架。
其实在此期间发生了很多各种各样的问题，分别记录在各个博文中了。
