Hadoop环境下调用MapReduce对文件中各个单词出现次数进行统计

基于Ubuntu在Hadoop的环境下调用MapReduce对文件中各个单词出现次数进行统计

一、安装Ubuntu

一般来说，如果要做服务器可选择CentOS或者Ubuntu Server；如果做桌面系统可选择Ubuntu Desktop。在学习Hadoop方面，虽然两个系统没有多大区别，但在此次实验中使用 Ubuntu 14.04 64位 作为系统环境。（可参考使用VirtualBox安装Ubuntu）.
  64位Ubuntu推荐下载地址: 点击下载.

二、环境配置

装好了 Ubuntu 系统之后，在安装 Hadoop 前还需要做一些必备工作。

1、创建hadoop用户

如果你安装 Ubuntu 的时候不是用的 “hadoop” 用户，那么需要增加一个名为 hadoop 的用户。
首先按 ctrl+alt+t 打开终端窗口，输入如下命令创建新用户 :

sudo useradd -m hadoop -s /bin/bash

这条命令创建了可以登陆的 hadoop 用户，并使用 /bin/bash 作为 shell。

• 设置密码：接着使用如下命令设置密码，可简单设置为 hadoop，按提示输入两次密码：

sudo passwd hadoop

• 增加管理员权限：为 hadoop 用户增加管理员权限，方便部署。

sudo adduser hadoop sudo

最后注销当前用户（点击屏幕右上角的齿轮，选择注销），返回登陆界面。在登陆界面中选择刚创建的 hadoop 用户进行登陆。

2、更新apt

用 hadoop 用户登录后，需先更新一下 apt，后续我们使用 apt 安装软件，如果没更新可能有一些软件安装不了。进入终端窗口，执行如下命令：

sudo apt-get update

若出现更新不了的情况，请前往”系统设置——软件和更新——下载自”选择https://mirrors.aliyun.com/ubuntu，将更新源更改完成后重新尝试输入上述命令

后续需要更改一些配置文件，在此安装一下 vim（vi增强版，基本用法相同），命令如下；安装时若需要确认，在提示处输入 y 即可。

sudo apt-get install vim

3、安装SSH、配置SSH无密码登陆

集群、单节点模式都需要用到 SSH 登陆（类似于远程登陆，你可以登录某台 Linux 主机，并且在上面运行命令），Ubuntu 默认已安装了 SSH client，此外还需要安装 SSH server：

sudo apt-get install openssh-server

安装后，可以使用如下命令登陆本机：

ssh localhost

此时会有如下提示(SSH首次登陆提示)，输入 yes 。然后按提示输入密码 hadoop，这样就登陆到本机了。

但这样登陆是需要每次输入密码的，我们需要配置成SSH无密码登陆比较方便。
首先退出刚才的 ssh，就回到了我们原先的终端窗口，然后利用 ssh-keygen 生成密钥，并将密钥加入到授权中：

exit                           # 退出刚才的 ssh localhost
cd ~/.ssh/                     # 若没有该目录，请先执行一次ssh localhost
ssh-keygen -t rsa              # 会有提示，都按回车就可以
cat ./id_rsa.pub >> ./authorized_keys  # 加入授权

此时再用 ssh localhost 命令，无需输入密码就可以直接登陆了，如下图所示。

三、安装JAVA环境

1、安装JDK

Hadoop3.1.3需要JDK版本在1.8及以上。下面演示手动安装JDK1.8。
JDK1.8的安装包jdk-8u162-linux-x64.tar.gz已放在百度云盘，链接: 可以点击这里到百度云盘下载JDK1.8安装包.（提取码：99bg）。请把压缩格式的文件jdk-8u162-linux-x64.tar.gz下载，假设保存在“/home/linziyu/Downloads/”目录下。

接下里在Linux命令行界面中执行如下命令（注意：当前登录用户名是hadoop）：

cd /usr/lib
sudo mkdir jvm #创建/usr/lib/jvm目录用来存放JDK文件
cd ~ #进入hadoop用户的主目录
cd Downloads  #注意区分大小写字母，刚才已经通过FTP软件把JDK安装包jdk-8u162-linux-x64.tar.gz上传到该目录下
sudo tar -zxvf ./jdk-8u162-linux-x64.tar.gz -C /usr/lib/jvm  #把JDK文件解压到/usr/lib/jvm目录下

JDK文件解压缩以后，执行如下命令到/usr/lib/jvm目录查看一下。看到在/usr/lib/jvm目录下有个jdk1.8.0_162目录即安装成功。

cd /usr/lib/jvm
ls

2、设置JAVA环境变量

cd ~
vim ~/.bashrc

通过vim编辑器。打开环境变量配置.bashrc文件，在文件开头添加如下几行内容：

export JAVA_HOME=/usr/lib/jvm/jdk1.8.0_162
export JRE_HOME=${JAVA_HOME}/jre
export CLASSPATH=.:${JAVA_HOME}/lib:${JRE_HOME}/lib
export PATH=${JAVA_HOME}/bin:$PATH

保存.bashrc文件并退出vim编辑器。然后继续执行命令让.bashrc文件的配置立即生效：

source ~/.bashrc

继续验证安装情况：

java -version

若返回如下信息，则代表JAVA环境配置成功

四、安装Hadoop

Hadoop的安装方式有三种，分别是单机模式，伪分布式模式，分布式模式。在此选择伪分布模式：Hadoop在单节点上以伪分布式的方式运行，Hadoop 进程以分离的 Java 进程来运行，节点既作为 NameNode 也作为 DataNode，同时读取的也是 HDFS 中的文件。可到Hadoop官网下载hadoop-2.10.0.tar.gz 或从网盘中下载： 点击下载.（提取码：99bg）

1、安装Hadoop
我们选择将 Hadoop 安装至 /usr/local/ 中：

sudo tar -zxf ~/下载/hadoop-2.6.0.tar.gz -C /usr/local    # 解压到/usr/local中
cd /usr/local/
sudo mv ./hadoop-2.6.0/ ./hadoop            # 将文件夹名改为hadoop
sudo chown -R hadoop ./hadoop       # 修改文件权限

Hadoop 解压后即可使用。输入如下命令来检查 Hadoop 是否可用，成功则会显示 Hadoop 版本信息：

cd /usr/local/hadoop
./bin/hadoop version

2、对Hadoop进行伪分布式的配置（Hadoop默认安装好单机配置）
Hadoop 的配置文件位于 /usr/local/hadoop/etc/hadoop/ 中，伪分布式需要修改2个配置文件 core-site.xml 和 hdfs-site.xml 。Hadoop的配置文件是 xml 格式，每个配置以声明 property 的 name 和 value 的方式来实现。

cd /usr/local/hadoop/etc/hadoop/

在进行修改配置文件前，需要创建相应的文件夹进行存放，以防后续操作无法启动Hadoop

sudo mkdir /usr/local/hadoop/tmp
sudo mkdir /usr/local/hadoop/tmp/dfs/name
sudo mkdir /usr/local/hadoop/tmp/dfs/data

下面开始配置core-site.xml 和 hdfs-site.xml

vim core-site.xml 

在配置文件中找到下面这个标签对

</configuration>

修改为下面配置：

    
        hadoop.tmp.dir</name>
        file:/usr/local/hadoop/tmp</value>
        Abase for other temporary directories.</description>
    </property>
    
        fs.defaultFS</name>
        hdfs://localhost:9000</value>
    </property>
</configuration>

同样的，修改配置文件 hdfs-site.xml：

    
        dfs.replication</name>
        1</value>
    </property>
    
        dfs.namenode.name.dir</name>
        file:/usr/local/hadoop/tmp/dfs/name</value>
    </property>
    
        dfs.datanode.data.dir</name>
        file:/usr/local/hadoop/tmp/dfs/data</value>
    </property>
</configuration>

3、格式化NameNode
配置完成后，执行 NameNode 的格式化:成功的话，会看到 “successfully formatted” 和 “Exitting with status 0” 的提示。

cd /usr/local/hadoop
./bin/hdfs namenode -format

4、开启NameNode和DataNode守护进程

cd /usr/local/hadoop
./sbin/start-dfs.sh  #start-dfs.sh是个完整的可执行文件，中间没有空格

若出现如下SSH提示，输入yes即可。

启动时可能会出现如下 WARN 提示：WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform… using builtin-java classes where applicable WARN 提示可以忽略，并不会影响正常使用

5、验证安装是否成功
启动完成后，可以通过命令 jps 来判断是否成功启动，若成功启动则会列出如下进程: “NameNode”、”DataNode” 和 “SecondaryNameNode”

成功启动后，可以访问 Web 界面 http://localhost:50070 查看 NameNode 和 Datanode 信息，还可以在线查看 HDFS 中的文件。

五、调用MapReduce执行WordCount对单词进行计数

1、上传文件
准备一个待分析的英语文本文件，在此我选择30000多字的《哈姆雷特》原文剧本，需要可：点击下载.
将hamlet.txt文件放置于/usr/local/hadoop目录下中，以便后续操作

接下来将实验文件上传到HDFS中（Hadoop已为开启状态）

./bin/hdfs dfs -put /usr/local/hadoop/demo.txt  input

接着使用 ls 命令查看文件上传情况，上传成功后可以在文件中看到文件

./bin/hdfs dfs –ls input

2、在Ubuntu中安装Eclipse
Hadoop不同的文件系统之间通过调用Java API进行交互，利用Java API进行交互，需要利用软件Eclipse编写Java程序。
利用Ubuntu左侧边栏自带的软件中心安装软件，在Ubuntu左侧边栏打开软件中心搜索下载。

3、配置 Hadoop-Eclipse-Plugin
Hadoop-Eclipse-Plugin可从这里 点击下载。下载后，将 release 中的 hadoop-eclipse-kepler-plugin-2.6.0.jar 复制到 Eclipse 安装目录的 plugins 文件夹中，运行 eclipse -clean 重启 Eclipse 即可（添加插件后只需要运行一次该命令，以后按照正常方式启动就行了）。命令如下：

unzip -qo ~/下载/hadoop2x-eclipse-plugin-master.zip -d ~/下载 # 解压到~/下载中
sudo cp ~/下载/hadoop2x-eclipse-plugin-master/release/hadoop-eclipse-plugin-2.6.0.jar /usr/lib/eclipse/plugins/  # 复制到eclipse安装目录的plugins目录下
/usr/lib/eclipse/eclipse -clean  # 添加插件后需要用这种方式使插件生效

执行完以上命令后，系统会自动打开Eclipse，打开后看到左边的Project Explorer里出现了DFS Locations

接下来插件需要进一步的配置，在上方找到Window——Preference

在窗体的左侧找到 Hadoop Map/Reduce 选项，填入Hadoop 的安装地址/usr/local/hadoop

然后切换 Map/Reduce 开发视图，选择 Window 菜单下选择 Open Perspective -> Other，选择 Map/Reduce 选项即可进行切换。


随后可建立与 Hadoop 集群的连接，点击 Eclipse右下角的 Map/Reduce Locations 面板，在面板中单击右键，选择 New Hadoop Location。

在弹出来面板中，General 中的配置参数要与 Hadoop 的配置一致。由于使用的Hadoop伪分布式配置，设置 fs.defaultFS 为 hdfs://localhost:9000，所以此处DFS Master 的 Port 要改为 9000。其余默认即可。

配置好后，点击展开左侧的Project Explorer中能够找到我们上传的文件。

4、创建MapReduce项目
eclipse右上角点击File菜单，选择New——Project

选择Map/Reduce Project，点击Next进入下一步

输入项目名称，点击Finish完成创建

点击展开刚创建的Word Reduce项目，选中右键src 选择NEW – Class 创建java类。

在弹出的窗口中只需填入Package和Name。 Package 处需填写 org.apache.hadoop.examples；Name可自定义；其他默认即可。

5、调用MapReduce对文件中各个单词出现次数进行统计
完成Class创建能看到WordCount.java 这个人间，将下面代码复制进刚创建好的WordCount.java文件中

package org.apache.hadoop.examples;
 
import java.io.IOException;
import java.util.Iterator;
import java.util.StringTokenizer;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;
 
public class WordCount {
     
    public WordCount() {
     
    }
 
    public static void main(String[] args) throws Exception {
     
        Configuration conf = new Configuration();
        //String[] otherArgs = (new GenericOptionsParser(conf, args)).getRemainingArgs();
        String[] otherArgs=new String[]{
     "input","output"};
        if(otherArgs.length < 2) {
     
            System.err.println("Usage: wordcount  [...] ");
            System.exit(2);
        }
 
        Job job = Job.getInstance(conf, "word count");
        job.setJarByClass(WordCount.class);
        job.setMapperClass(WordCount.TokenizerMapper.class);
        job.setCombinerClass(WordCount.IntSumReducer.class);
        job.setReducerClass(WordCount.IntSumReducer.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);
 
        for(int i = 0; i < otherArgs.length - 1; ++i) {
     
            FileInputFormat.addInputPath(job, new Path(otherArgs[i]));
        }
 
        FileOutputFormat.setOutputPath(job, new Path(otherArgs[otherArgs.length - 1]));
        System.exit(job.waitForCompletion(true)?0:1);
    }
 
    public static class IntSumReducer extends Reducer, IntWritable, Text, IntWritable> {
     
        private IntWritable result = new IntWritable();
 
        public IntSumReducer() {
     
        }
 
        public void reduce(Text key, Iterable values, Reducer, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException {
     
            int sum = 0;
 
            IntWritable val;
            for(Iterator i$ = values.iterator(); i$.hasNext(); sum += val.get()) {
     
                val = i$.next();
            }
 
            this.result.set(sum);
            context.write(key, this.result);
        }
    }
 
    public static class TokenizerMapper extends Mapper, Text, Text, IntWritable> {
     
        private static final IntWritable one = new IntWritable(1);
        private Text word = new Text();
 
        public TokenizerMapper() {
     
        }
 
        public void map(Object key, Text value, Mapper, Text, Text, IntWritable>.Context context) throws IOException, InterruptedException {
     
            StringTokenizer itr = new StringTokenizer(value.toString());
 
            while(itr.hasMoreTokens()) {
     
                this.word.set(itr.nextToken());
                context.write(this.word, one);
            }
 
        }
    }
}

在运行 MapReduce 程序前，需要将 /usr/local/hadoop/etc/hadoop 中将有修改过的配置文件（如伪分布式需要 core-site.xml 和 hdfs-site.xml），以及 log4j.properties 复制到 WordCount 项目下的 src 文件夹（~/workspace/WordCount/src）中，在终端中输入下列几行内容:

cp /usr/local/hadoop/etc/hadoop/core-site.xml ~/workspace/WordCount/src
cp /usr/local/hadoop/etc/hadoop/hdfs-site.xml ~/workspace/WordCount/src
cp /usr/local/hadoop/etc/hadoop/log4j.properties ~/workspace/WordCount/src

复制完成后，务必右键点击 WordCount 选择 refresh 进行刷新，可看到src中多出了几个文件：

完成以上的准备后，点击上面运行按钮，点击Run As——Run on Hadoop启动MapReduce程序

此时可能会提示 “Usage: wordcount “，由于没有指定参数，需要通过Eclipse配置运行参数。
在此点击运行 WordCount.java，此次选择 Run As -> Run Configurations，在此处可以设置运行时的相关参数。选择 “Arguments” 栏，在 Program arguments 处填写 “input output” ；在点击 Run 执行。

当程序执行完毕后，选中图片中的Hadoop文件，右键点击Refresh才能看到输出文件。

Refresh刷新完后，能看到Hadoop目录下生成output文件夹，其中part-r-00000中为各个单词出现次数进行统计的结果。

除了在eclipse中查看结果外，也可以通过命令行查看

cd /usr/local/haddop
./bin/hdfs dfs -cat output/part-r-00000

也可输入下面命令，把HDFS中文件下载到本地文件系统中的“/home/hadoop/下载/”这个目录下

./bin/hdfs dfs -get output/part-r-00000  /home/hadoop/下载  

END

六、参考文献

[1] http://dblab.xmu.edu.cn/blog/290-2/.
[2] http://dblab.xmu.edu.cn/blog/hadoop-build-project-using-eclipse/.
[3] http://www.cnblogs.com/xia520pi/archive/2012/05/20/2510723.html.
[4] http://www.blogjava.net/LittleRain/archive/2006/12/31/91165.html.