hadoop2.7第一个python实例（超详细）

没有任何基础，第一次跑hadoop实例，遇到不少问题，记录下来以便自查和帮助同样情况的hadoop学习者。

参考博客：https://www.cnblogs.com/end/archive/2012/08/13/2636175.html

集群组成：VMwawre14.1+CentOS6.5+hadoop2.7,  3个虚拟机节点，分别为master、slave1，slave2

hadoop安装目录：/opt/hadoop

例子：模仿 WordCount 并使用Python来实现，例子通过读取文本文件来统计出单词的出现次数。结果也以文本形式输出，每一行包含一个单词和单词出现的次数，两者中间使用制表符来想间隔。

本文章主要讲跑通例子的操作，原理看上面的参考博客。

一、下载文本文件

• The Outline of Science, Vol. 1 (of 4) by J. Arthur Thomson
• The Notebooks of Leonardo Da Vinci
• Ulysses by James Joyce

   从以上三个网址中复制三本书出来，粘贴到windows上新建的txt中，另存为Science.txt、Notebooks.txt、Ulysses.txt，记得在另存为的窗口中，右下角选择utf-8编码，最后将此三本书复制到集群中的master虚拟机中，临时保存目录为：/tmp/gutenberg

   [CAI@master ~]$ ls -l /tmp/gutenberg
   total 3524
   -rwxrw-rw- 1 CAI CAI 1396148 Sep 16 11:42 Notebooks.txt
   -rwxrw-rw- 1 CAI CAI  661810 Sep 16 11:42 Science.txt
   -rwxrw-rw- 1 CAI CAI 1548179 Sep 16 11:42 Ulysses.txt

二、windows文件转linux文件

       从windows中直接拷贝文件到linux，由于两个系统的换行符表示不一样，所以会有识别问题。比如从windows中编写一个demo.py文件，虽然加了在文件首行输入#！/usr/bin/env python，以便在linux上跑，但是执行时会出现No such file or directory，其实是找不到python命令文件，原因是：

windows文件格式是DOS，而非UNIX格式。Windows格式下，换行符是CRLT，使得demo.py第一行变成了#!/usr/bin/env python\015(CR的ascaii 15)

使用Linux VIM检查文件格式：":set ff 或者:set fileformate"

使用Linux VIM转换文件格式：“:set ff=unix或者:set fileformate=unix”

使用Windows UltraEdit做文件格式转换:“file->Conversions->DOS->UNIX”

也就是说从windows中拷贝到linux的文件，用vim打开该文件，在命令行模式下面输入‘:set ff’则可以查看到格式为dos, 用命令“:set ff=unix”就可以改为unix。 

用以上方法将Science.txt、Notebooks.txt、Ulysses.txt三本书的格式改为unix。以后拷贝进来的windows文件都可进行此操作。

三、编写python文件

由于不太熟悉linux的vim编辑，所以在windows上编写mapper.py、reducer.py可执行文件.

mapper.py：

#!/usr/bin/env python
import sys
for line in sys.stdin:
    line = line.strip()
    words = line.split()
    for word in words:
        print '%s\\t%s' % (word, 1)

reducer.py： 

#!/usr/bin/env python
from operator import itemgetter
import sys
word2count = {}
for line in sys.stdin:
    line = line.strip()
    word, count = line.split('\\t', 1)
    try:
        count = int(count)
        word2count[word] = word2count.get(word, 0) + count
    except ValueError:
        pass
sorted_word2count = sorted(word2count.items(), key=itemgetter(0))
for word, count in sorted_word2count:
    print '%s\\t%s'% (word, count)

将此两个文件复制黏贴到集群master虚拟机上，目录为/home/CAI/Downloads/

对此两文件进行上面的第二步操作，将windows文件转为linux文件

给以上两个文件赋予可执行权限：

chmod +x /home/CAI/Downloads/mapper.py

chmod +x /home/CAI/Downloads/reducer.py

四、测试代码

在运行MapReduce job测试前尝试手工测试mapper.py 和 reducer.py脚本，以免得不到任何返回结果

[CAI@master ~]$ echo "foo foo quux labs foo bar quux" | /home/CAI/Downloads/mapper.py
foo    1
foo    1
quux    1
labs    1
foo    1
bar    1
quux    1
[CAI@master ~]$ echo "foo foo quux labs foo bar quux" | /home/CAI/Downloads/mapper.py | /home/CAI/Downloads/reducer.py
bar    1
foo    3
labs    1
quux    2

五、复制文本数据到HDFS

1、首先创建hdfs目录，可以在master虚拟机上任何地方。注意创建目录和查看目录都需要用hadoop自有的命令，而非linux的      命令；另外在执行/opt/hadoop/bin/hadoop fs -mkdir /new_dir创建new_dir目录时出错了。从报错中发现是版本的原因，2.x以前的版本这个命令，2.x之后的版本命令改成了：/opt/hadoop/bin/hdfs dfs -mkdir -p   /new_dir。

     本人创建hdfs目录的命令如下：

      [CAI@master ~]$ /opt/hadoop/bin/hdfs dfs -mkdir -p /usr/hadoop

    注意：[CAI@master hadoop]$ /opt/hadoop/bin/hdfs dfs -rm -r -f /usr/hadoop   可以删除目录

     查看刚刚创建的目录，此处用ls /usr是查看不到hadoop目录的，必须要用hadoop自己的命令查看：

     [CAI@master ~]$ /opt/hadoop/bin/hdfs dfs -ls /usr/hadoop
    18/09/16 15:00:34 WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java      classes where applicable
     Found 1 items
     drwxr-xr-x   - CAI supergroup          0 2018-09-16 14:58 /usr/hadoop

     查询结果如上蓝色字体部分，上面红色字体部分为警告，解决上述警告的参考博客为：

     https://blog.csdn.net/jack85986370/article/details/51902871 

     注意解决上述警告问题需要在所有节点都操作一遍，别只给master纠正，slave1和slave2也要纠正（集群配置更改要时刻记得        所有节点）。

 

2、将含三本书的/tmp/gutenberg目录复制到刚刚创建的hdfs目录中：

     [CAI@master ~]$ /opt/hadoop/bin/hdfs dfs -copyFromLocal /tmp/gutenberg /usr/hadoop/gutenberg

     查看复制效果：

     [CAI@master ~]$ /opt/hadoop/bin/hdfs dfs -ls /usr/hadoop/gutenberg
     Found 3 items
     -rw-r--r--   2 CAI supergroup    1396148 2018-09-16 15:07 /usr/hadoop/gutenberg/Notebooks.txt
     -rw-r--r--   2 CAI supergroup     661810 2018-09-16 15:07 /usr/hadoop/gutenberg/Science.txt
     -rw-r--r--   2 CAI supergroup    1548179 2018-09-16 15:07 /usr/hadoop/gutenberg/Ulysses.txt

 

六、执行MapReduce job

1、在hadoop安装目录下（省的写绝对路径），执行命令：  

  注意：以上命令中最后的输出目录gutenberg-output不能已存在（上一次执行若出错，这个文件夹就会已存在），若存在了会报错，得先删除该存在的目录：[CAI@master hadoop]$ ./bin/hdfs dfs -rm -r -f /usr/hadoop/gutenberg-output

即便没碰到上面问题，还是有错误，可看到其中一条日志如下：

java.io.IOException: Cannot run program "/home/CAI/Downloads/mapper.py": error=2, No such file or directory

因为mapper.py经过第四大步测试，是可以成功执行的，经过命令java --version可以看到正常输出java版本，暂时没考虑java问题。后来再度看上面的错误，是找不到文件mapper.py，突然想到经过上面第三大步骤，虽然master上有文件mapper.py和reducer.py，但是两个数据节点却没有，于是将此两文件拷贝到两数据节点的/home/CAI/Downloads/目录中，再次执行，成功！

记住：可执行文件一定要拷贝到所有节点上去！

执行过程中的部分日志如下图所示：

 

在master节点，打开火狐浏览器，登录http://192.168.137.130:8088/，可以看到如下图：

检查结果是否输出并存储在HDFS目录下的gutenberg-output中：
[CAI@master hadoop]$ ./bin/hdfs dfs -ls /usr/hadoop/gutenberg-output
Found 2 items
-rw-r--r--   2 CAI supergroup          0 2018-09-16 17:02 /usr/hadoop/gutenberg-output/_SUCCESS
-rw-r--r--   2 CAI supergroup     878875 2018-09-16 17:02 /usr/hadoop/gutenberg-output/part-00000

查看输出结果的前15行：
[CAI@master hadoop]$ ./bin/hdfs dfs -cat /usr/hadoop/gutenberg-output/part-00000 | head -15
"(Lo)cra"    1
"1490    1
"1498,"    1
"35"    1
"40,"    1
"A    2
"AS-IS".    1
"A_    1
"Absoluti    1
"Aesopi"    1
"Alack!    1
"Alack!"    1
"Alla    1
"Allegorical    1
"Alpha    1
注意输出，上面结果的(")符号不是Hadoop插入的。

  操作完毕！