hadoop入门实验心得 hadoop实训

一、实验目的

（1）掌握在 Linux 虚拟机中安装 Hadoop 和 Spark 的方法；
（2）熟悉 HDFS 的基本使用方法；
（3）掌握使用 Spark 访问本地文件和 HDFS 文件的方法。

二、实验平台

操作系统：Ubuntu16.04；
Spark 版本：2.1.0；
Hadoop 版本：2.7.1。

三、实验内容和要求

1．安装 Hadoop 和 Spark

进入 Linux 系统，参照本教程官网“实验指南”栏目的“Hadoop 的安装和使用”，完
成 Hadoop 伪分布式模式的安装。完成 Hadoop 的安装以后，再安装 Spark（Local 模式）。
【参考答案】
请参照下面网络教程完成 Hadoop 的安装：
http://dblab.xmu.edu.cn/blog/install-hadoop/ 请参照下面网络教程完成 Spark（Local 模式）的安装：
http://dblab.xmu.edu.cn/blog/1307-2/

2．HDFS 常用操作

使用 hadoop 用户名登录进入 Linux 系统，启动 Hadoop，参照相关 Hadoop 书籍或网络
资料，或者也可以参考本教程官网的“实验指南”栏目的“HDFS 操作常用 Shell 命令”，
使用 Hadoop 提供的 Shell 命令完成如下操作：
（1） 启动 Hadoop，在 HDFS 中创建用户目录“/user/hadoop”；
【参考答案】
使用 hadoop 用户名登录进入 Linux 系统，假设 Hadoop 系统被安装在“/usr/local/hadoop”目
录。使用如下命令启动 Hadoop：

$cd /usr/local/hadoop
$./sbin/start-dfs.sh #启动 HDFS
$./bin/hdfs dfs -mkdir -p /user/hadoop #在 HDFS 中创建用户目录/user/hadoop

（2） 在 Linux 系统的本地文件系统的“/home/hadoop”目录下新建一个文本文件
test.txt，并在该文件中随便输入一些内容，然后上传到 HDFS 的“/user/hadoop”
目录下；
【参考答案】

$cd /home/hadoop
$vim test.txt
#在 test.txt 中随便输入一些内容，并保存退出 vim 编辑器
$cd /usr/local/hadoop
$./bin/hdfs dfs -put /home/hadoop/test.txt /user/hadoop

（3） 把 HDFS 中“/user/hadoop”目录下的 test.txt 文件，下载到 Linux 系统的本地文
件系统中的“/home/hadoop/下载”目录下；
【参考答案】

$ cd /usr/local/hadoop
$./bin/hdfs dfs -get /user/hadoop/test.txt /home/hadoop/下载

（4） 将HDFS中“/user/hadoop”目录下的test.txt文件的内容输出到终端中进行显示；
【参考答案】

$ cd /usr/local/hadoop
$./bin/hdfs dfs -cat /user/hadoop/test.txt

（5） 在 HDFS 中的“/user/hadoop”目录下，创建子目录 input，把 HDFS 中
“/user/hadoop”目录下的 test.txt 文件，复制到“/user/hadoop/input”目录下；
【参考答案】

$ cd /usr/local/hadoop
$./bin/hdfs dfs -mkdir /user/hadoop/input
$./bin/hdfs dfs -cp /user/hadoop/test.txt /user/hadoop/input

（6） 删除HDFS中“/user/hadoop”目录下的test.txt文件，删除HDFS中“/user/hadoop”
目录下的 input 子目录及其子目录下的所有内容。
【参考答案】

$ cd /usr/local/hadoop
$./bin/hdfs dfs -rm /user/hadoop/test.txt
$./bin/hdfs dfs -rm -r /user/hadoop/input

3. Spark 读取文件系统的数据
   （1）在 spark-shell 中读取 Linux 系统本地文件“/home/hadoop/test.txt”，然后统计出文
   件的行数；
   【参考答案】假设 Spark 安装在“/usr/local/spark”目录。

$ cd /usr/local/spark
$./bin/spark-shell
scala>val textFile=sc.textFile("file:///home/hadoop/test.txt")
scala>textFile.count()

（2）在 spark-shell 中读取 HDFS 系统文件“/user/hadoop/test.txt”（如果该文件不存在，
请先创建），然后，统计出文件的行数；
【参考答案】

scala>val textFile=sc.textFile("hdfs://localhost:9000/user/hadoop/test.txt")
scala>textFile.count()

（3）编写独立应用程序，读取 HDFS 系统文件“/user/hadoop/test.txt”（如果该文件不存在，
请先创建），然后，统计出文件的行数；通过 sbt 工具将整个应用程序编译打包成 JAR 包，
并将生成的 JAR 包通过 spark-submit 提交到 Spark 中运行命令。
【参考答案】
使用 hadoop 用户名登录 Linux 系统，打开一个终端，在 Linux 终端中，执行如下命令创建
一个文件夹 sparkapp 作为应用程序根目录：

$ cd ~  #进入用户主文件夹 
$ mkdir ./sparkapp  #创建应用程序根目录
$ mkdir -p ./sparkapp/src/main/scala  # 创建所需的文件夹结构

需要注意的是，为了能够使用 sbt 对 Scala 应用程序进行编译打包，需要把应用程序代
码存放在应用程序根目录下的“src/main/scala” 目录下。下面使用 vim 编辑器在
“~/sparkapp/src/main/scala”下建立一个名为 SimpleApp.scala 的 Scala 代码文件，命令如下：

$ cd ~
$ vim ./sparkapp/src/main/scala/SimpleApp.scala

然后，在 SimpleApp.scala 代码文件中输入以下代码：

/* SimpleApp.scala */
import org.apache.spark.SparkContext
import org.apache.spark.SparkContext._
import org.apache.spark.SparkConf
object SimpleApp {
	def main(args: Array[String]){
		val logFile = " hdfs://localhost:9000/user/hadoop/test.txt"
 		val conf = new SparkConf().setAppName("Simple Application")
 		val sc = new SparkContext(conf)
		val logData = sc.textFile(logFile, 2)
		val num = logData.count()
		printf("The num of this file is %d", num)
 }
}

下面使用 sbt 对 Scala 程序进行编译打包。
SimpleApp.scala 程序依赖于 Spark API，因此，需要通过 sbt 进行编译打包以后才能运
行。 首先，需要使用 vim 编辑器在“~/sparkapp”目录下新建文件 simple.sbt，命令如下：

$ cd ~
$ vim ./sparkapp/simple.sbt

simple.sbt 文件用于声明该独立应用程序的信息以及与 Spark 的依赖关系（实际上，只
要扩展名使用.sbt，文件名可以不用 simple，可以自己随意命名，比如 mysimple.sbt）。需要
在 simple.sbt 文件中输入以下内容：

name := "Simple Project"
version := "1.0"
scalaVersion := "2.11.8"
libraryDependencies += "org.apache.spark" %% "spark-core" % "2.1.0"

为了保证 sbt 能够正常运行，先执行如下命令检查整个应用程序的文件结构：

$ cd ~/sparkapp
$ find .

文件结构应该是类似如下所示的内容：

.
./src
./src/main
./src/main/scala
./src/main/scala/SimpleApp.scala
./simple.sbt

接下来，可以通过如下代码将整个应用程序打包成 JAR：

$ cd ~/sparkapp #一定把这个目录设置为当前目录
$ /usr/local/sbt/sbt package

对于刚刚安装的 Spark 和 sbt 而言，第一次执行上面命令时，系统会自动从网络上下载
各种相关的依赖包，因此上面执行过程需要消耗几分钟时间，后面如果再次执行 sbt package
命令，速度就会快很多，因为不再需要下载相关文件。执行上述命令后，屏幕上会返回如下
类似信息：

$ /usr/local/sbt/sbt package
OpenJDK 64-Bit Server VM warning: ignoring option MaxPermSize=256M; support was removed 
in 8.0
[info] Set current project to Simple Project (in build file:/home/hadoop/sparkapp/)
……
[info] Done packaging.
[success] Total time: 2 s, completed 2017-8-30 23:57:29

生成的 JAR 包的位置为“~/sparkapp/target/scala-2.11/simple-project_2.11-1.0.jar”。
对于前面 sbt 打包得到的应用程序 JAR 包，可以通过 spark-submit 提交到 Spark 中运
行，命令如下：

$ /usr/local/spark/bin/spark-submit --class "SimpleApp" 
~/sparkapp/target/scala-2.11/simple-project_2.11-1.0.jar