目录
引言:
环境:
前提:
实现:
测试
结语:
问题
引言:
分布式课程要求使用IDE(IDEA、Eclipse)来编写程序直接对Hadoop集群进行文件操作,目前关于IDEA连接Hadoop集群的教程,良莠不齐,根据多个教程完成了IDEA连接Hadoop集群。现在将完整的流程陈列如下。
如果觉得文章组织形式不好,或者有看不懂的地方请给我留言。
环境:
windows10 (IDEA 2021.1.3)
VMware 16 workstation pro(安装可以搜教程,比较容易)
Linux Server(Hadoop-2.7.7集群 1 master 3 slaves)
前提:
1.通过虚拟机完成了完全分布式Hadoop集群的搭建,在master节点中使用start-all.sh启动Hadoop集群,并使用jps得到下面的输出,表示Hadoop集群搭建成功。
查看datanode是否正常运行,因为存在这样的情况,datanode配置失败,但是Hadoop集群也能成功启动,但是后面的文件操作是无法正常运行的)
点击Datanodes出现上面的界面表示配置好了Hadoop集群。
2.安装好了IDEA开发工具
实现:
在window上配置好Hadoop
1.下载hadoop-2.7.7.tar.gz文件到window。各版本Hadoop,我选择的是2.7.7
Hadoop是跨平台的,不用担心Linux与windows不兼容,但是需要注意的是在hadoop-2.7.7/etc/hadoop/hadoop-env.sh中JAVA_HOME需要修改为window下jdk的路径。
2. 选择一个空目录将hadoop-2.7.7.tar.gz解压
3. 将hadoop-2.7.7添加到环境变量中
变量名:HADOOP_HOME
变量值:E:\xx\xx\xx\hadoop-2.7.7 (先看下面的图再复制)
%JAVA_HOME%\bin
%JAVA_HOME%\jre\bin(先看下面的图再复制)
4.使用命令行查看环境变量是否配置成功
hadoop version
5.安装jdk(JDK 8 所有版本)
解压到目录中,添加环境变量(和Hadoop配置相似,可以上去再看一下)
变量名:JAVA_HOME
变量值:E:\ProgramSoftware\java\JAVAHOME\jdk1.8.0_162
变量值:%JAVA_HOME%\bin
变量值:%JAVA_HOME%\jre\bin
使用java -version、javac验证(注意上面bin以及\jre\bin都要配置,不然会出现hadoop找不到JAVA_HOME的问题)
winutil.exe放置到hadoop-2.7.7\bin\目录下面。(wintil.ext下载,GitHub中选一个比自己hadoop版本相同或者说高一点的版本)
winutil.exe以及hadoop-2.7.7\bin\hadoop.dll放置到C:\Windows\System32中
8. 使用idea打开一个空的目录
9. 添加maven,点击Add Framwork Support
添加maven
添加成功后会出现main与test
hadoop-2.7.7\etc\core-site.xml与hadoop-2.7.7\etc\hdfs-site.xml复制到resource下(可以通过log4j.properties配置控制台日志的输出等级,可以自己上网查询其他的输出等级策略)
log4j.rootLogger=debug,stdout,R
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%5p - %m%n
log4j.appender.R=org.apache.log4j.RollingFileAppender
log4j.appender.R.File=mapreduce_test.log
log4j.appender.R.MaxFileSize=1MB
log4j.appender.R.MaxBackupIndex=1
log4j.appender.R.layout=org.apache.log4j.PatternLayout
log4j.appender.R.layout.ConversionPattern=%p %t %c - %m%n
log4j.logger.com.codefutures=DEBUG
11. 配置pom.xml
初始状态
红色pom.xml会变成蓝色(注意:hadoop的版本要和自己的版本一样)
<properties>
<project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
<maven.compiler.source>1.8</maven.compiler.source>
<maven.compiler.target>1.8</maven.compiler.target>
<hadoop.version>2.7.7</hadoop.version>
</properties>
<dependencies>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-common</artifactId>
<version>${hadoop.version}</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-hdfs</artifactId>
<version>${hadoop.version}</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-mapreduce-client-core</artifactId>
<version>${hadoop.version}</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-mapreduce-client-jobclient</artifactId>
<version>${hadoop.version}</version>
</dependency>
<dependency>
<groupId>commons-cli</groupId>
<artifactId>commons-cli</artifactId>
<version>1.3.1</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>${hadoop.version}</version>
</dependency>
</dependencies>
测试
通过上面的操作,idea连接Hadoop集群基本实现了,现在测试
1. 在java中创建一个java文件
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.log4j.BasicConfigurator;import java.io.IOException;
public class HdfsTest {
public static void main(String[] args) {
//自动快速地使用缺省Log4j环境。
BasicConfigurator.configure();
try { // 改成你自己的ip以及对应的文件所在的路径
String filename = "hdfs://192.168.47.131:9000/words.txt";
Configuration conf = new Configuration();
FileSystem fs = null;
fs = FileSystem.get(conf);
if (fs.exists(new Path(filename))){ // 在控制台搜索the file is exist 或者not exist 根据你的情况,该文件如果存在就会打
// the file is exist 不存在就会打印 the file is not exist
System.out.println("the file is exist");
}else{
System.out.println("the file is not exist");
}
} catch (IOException e) {
e.printStackTrace();
}
}}
此时大概率是没有配置jdk的,按照下图进行配置
2. 配置成功我们运行程序,在控制台中查看是否存在该word.txt,我的该目录下存在所有打印了the file is exist
3. 实现一个词频统计程序
import java.io.IOException;
import java.util.Iterator;
import java.util.StringTokenizer;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapred.FileInputFormat;
import org.apache.hadoop.mapred.FileOutputFormat;
import org.apache.hadoop.mapred.JobClient;
import org.apache.hadoop.mapred.JobConf;
import org.apache.hadoop.mapred.MapReduceBase;
import org.apache.hadoop.mapred.Mapper;
import org.apache.hadoop.mapred.OutputCollector;
import org.apache.hadoop.mapred.Reducer;
import org.apache.hadoop.mapred.Reporter;
import org.apache.hadoop.mapred.TextInputFormat;
import org.apache.hadoop.mapred.TextOutputFormat;
import org.apache.log4j.BasicConfigurator;
/**
* 单词统计MapReduce
*/
public class WordCount {
/**
* Mapper类
*/
public static class WordCountMapper extends MapReduceBase implements Mapper<Object, Text, Text, IntWritable> {
private final static IntWritable one = new IntWritable(1);
private Text word = new Text();
/**
* map方法完成工作就是读取文件
* 将文件中每个单词作为key键,值设置为1,
* 然后将此键值对设置为map的输出,即reduce的输入
*/
@Override
public void map(Object key, Text value, OutputCollector<Text, IntWritable> output, Reporter reporter) throws IOException {
/**
* StringTokenizer:字符串分隔解析类型
* 之前没有发现竟然有这么好用的工具类
* java.util.StringTokenizer
* 1. StringTokenizer(String str) :
* 构造一个用来解析str的StringTokenizer对象。
* java默认的分隔符是“空格”、“制表符(‘\t’)”、“换行符(‘\n’)”、“回车符(‘\r’)”。
* 2. StringTokenizer(String str, String delim) :
* 构造一个用来解析str的StringTokenizer对象,并提供一个指定的分隔符。
* 3. StringTokenizer(String str, String delim, boolean returnDelims) :
* 构造一个用来解析str的StringTokenizer对象,并提供一个指定的分隔符,同时,指定是否返回分隔符。
*
* 默认情况下,java默认的分隔符是“空格”、“制表符(‘\t’)”、“换行符(‘\n’)”、“回车符(‘\r’)”。
*/
StringTokenizer itr = new StringTokenizer(value.toString());
while (itr.hasMoreTokens()) {
word.set(itr.nextToken());
output.collect(word, one);
}
}
}
/**
* reduce的输入即是map的输出,将相同键的单词的值进行统计累加
* 即可得出单词的统计个数,最后把单词作为键,单词的个数作为值,
* 输出到设置的输出文件中保存
*/
public static class WordCountReducer extends MapReduceBase implements Reducer<Text, IntWritable, Text, IntWritable> {
private IntWritable result = new IntWritable();
@Override
public void reduce(Text key, Iterator<IntWritable> values, OutputCollector<Text, IntWritable> output, Reporter reporter) throws IOException {
int sum = 0;
while (values.hasNext()) {
sum += values.next().get();
}
result.set(sum);
output.collect(key, result);
}
}
public static void main(String[] args) throws Exception {
//快速使用log4j日志功能
BasicConfigurator.configure();
//数据输入路径 这里的路径需要换成自己的hadoop所在地址
String input = "hdfs://192.168.139.100:9000/test/input/word.txt";
/**
* 输出路径设置为HDFS的根目录下的out文件夹下
* 注意:该文件夹不应该存在,否则出错
*/
String output = "hdfs://192.168.139.100:9000/test/output1";
JobConf conf = new JobConf(WordCount.class);
//设置是谁提交
conf.setUser("master");
/**
* 因为map-reduce过程需要我们自定以的map-reduce类,
* 因此,我们需要将项目导出为jar包
* setjar中跟本地hadoop中的词频统计jar包
*/
conf.setJar("E:\\ProgramSoftware\\java\\hadoop2.7.7\\hadoop-2.7.7\\share\\hadoop\\mapreduce\\hadoop-mapreduce-examples-2.7.7.jar");
//设置作业名称
conf.setJobName("wordcount");
/**
* 声明跨平台提交作业
*/
conf.set("mapreduce.app-submission.cross-platform","true");
//很重要的声明
conf.setJarByClass(WordCount.class);
//对应单词字符串
conf.setOutputKeyClass(Text.class);
//对应单词的统计个数 int类型
conf.setOutputValueClass(IntWritable.class);
//设置mapper类
conf.setMapperClass(WordCountMapper.class);
/**
* 设置合并函数,合并函数的输出作为Reducer的输入,
* 提高性能,能有效的降低map和reduce之间数据传输量。
* 但是合并函数不能滥用。需要结合具体的业务。
* 由于本次应用是统计单词个数,所以使用合并函数不会对结果或者说
* 业务逻辑结果产生影响。
* 当对于结果产生影响的时候,是不能使用合并函数的。
* 例如:我们统计单词出现的平均值的业务逻辑时,就不能使用合并
* 函数。此时如果使用,会影响最终的结果。
*/
conf.setCombinerClass(WordCountReducer.class);
//设置reduce类
conf.setReducerClass(WordCountReducer.class);
/**
* 设置输入格式,TextInputFormat是默认的输入格式
* 这里可以不写这句代码。
* 它产生的键类型是LongWritable类型(代表文件中每行中开始的偏移量值)
* 它的值类型是Text类型(文本类型)
*/
conf.setInputFormat(TextInputFormat.class);
/**
* 设置输出格式,TextOutpuTFormat是默认的输出格式
* 每条记录写为文本行,它的键和值可以是任意类型,输出回调用toString()
* 输出字符串写入文本中。默认键和值使用制表符进行分割。
*/
conf.setOutputFormat(TextOutputFormat.class);
//设置输入数据文件路径
FileInputFormat.setInputPaths(conf, new Path(input));
//设置输出数据文件路径(该路径不能存在,否则异常)
FileOutputFormat.setOutputPath(conf, new Path(output));
//启动mapreduce
JobClient.runJob(conf);
System.exit(0);
}
}
最后在Linux虚拟机中的maser节点输入
hdfs dfs -ls /test/output/*
结语:
至此idea连接Hadoop集群配置完成,更多的操作可以通过Hadoop提供configuration类filesystem类、FSDataInputStream类和FSDataOutputStream类实现。
有问题的朋友可以留言,我会及时回复我所能解决的问题,一些我安装时遇到的问题放在后面,大家可以浏览查看。
问题:
1. Hadoop文件放在windows环境下,按要求添加Hadoop环境变量,出现:
JAVA_HOME is incorrectly set.Please update C:\hadoop-3.1.2\etc\hadoop\hadoop-env.cmd
第一次尝试,Hadoop压缩文件是从linux上传会windows的,出现上面的报错,查阅资料发现在hadoo-env.sh文件下JAVA_HOME确实被设置为了linux的路径,尝试使用notepad++修改,主要有两种修改方式:
(1)set JAVA_HOME=${JAVA_HOME}
(2)set JAVA_HOME=xxxx\jdk1.8.0_162
修改之后还是出现了问题,便开始查看是不是jdk配置有问题,在命令行中输入java -version能够正常运行,但是输入javac却没有反应,刚开始没有重视这个问题,便再次查看是不是Hadoop配置有问题,仔细查看配置文件基于环境变量,确认无误后。再次将矛头指向javac,于是查看javac启动不成功的原因,看到了jdk正确的配置方式。
自己windows配置jdk并没有配置第二条,于是加上后,再次运行Hadoop -version便成功了。
2.按照ubantu server ip配置教程进行配置后,发现ping不了www.baidu.com。ip地址配置需要遵循的原则是与虚拟机的ip、网关、子网掩码一样。通过检查发现教程中给的网关最后一位是1但是虚拟机中的网关最后一位是2,更改后正常上网。
3.hadoop集群五大文件配置时,发现大部分教程没有修改etc/hadoop目录下的hadoop-env.xml文件,如果就使用原来的set JAVA_HOME={JAVA_HOME} 会出现找不到jdk的情况,需要将其设置为自己本地的jdk路径
4.在配置pom.xml的时候发现jdk.tool依赖项,会因为版本原因导致无法正常编译,正确的解决方式是将systempath改为本地的JAVA_HOME(虽然爆红了,但是不要紧)
5.当完成全部后如果出现无法连接,大概率是本地的hdfs-site.xml和core-site.xml中使用了别名(master、s1),应该替换成master主机的ip
core-site.xml
hdfs-site.xml