wordcount在eclipse上的伪分布式运行过程

hadoop 0.20 程式開發

http://trac.nchc.org.tw/cloud/wiki/waue/2009/0617

零. 前言 ¶

• 開發hadoop 需要用到許多的物件導向語法，包括繼承關係、介面類別，而且需要匯入正確的classpath，否則寫hadoop程式只是打字練習...
• 用類 vim 來處理這種複雜的程式，有可能會變成一場惡夢，因此用eclipse開發，搭配mapreduce-plugin會事半功倍。
• 早在hadoop 0.19～0.16之間的版本，筆者就試過各個plugin，每個版本的plugin都確實有大大小小的問題，如：hadoop plugin 無法正確使用、無法run as mapreduce。hadoop0.16搭配IBM的hadoop_plugin 可以提供完整的功能，但是，老兵不死，只是凋零...
• 子曰："逝者如斯夫，不捨晝夜"，以前寫的文件也落伍了，要跟上潮流，因此此篇的重點在：用eclipse 3.4.2 開發hadoop 0.20程式，並且測試撰寫的程式運作在hadoop平台上
• 以下是我的作法，如果你有更好的作法，或有需要更正的地方，請與我聯絡

單位	作者	Mail
國家高速網路中心-格網技術組	Wei-Yu Chen	waue @ nchc.org.tw

 

0.0 Info Update ¶

• Last Update: 2010/01/22

最新版本的 Eclipse 3.5 搭配 Ubuntu 9.04 + hadoop-eclipse-plugin 0.20.1 ，初步測試功能皆可正常運作

但 Ubuntu 9.10 的 各版本 Eclipse ， 似乎會有 gtk 圖形介面的bug ，有此一說增加 GDK_NATIVE_WINDOWS=1 就可以解決問題，但經過初步測試似乎無用

0.1 環境說明 ¶

• ubuntu 8.10
• sun-java-6
• eclipse 3.4.2
• hadoop 0.20.0

0.2 目錄說明 ¶

• 使用者：waue
• 使用者家目錄： /home/waue
• 專案目錄 ： /home/waue/workspace
• hadoop目錄： /opt/hadoop

一、安裝 ¶

安裝的部份沒必要都一模一樣，僅提供參考，反正只要安裝好java , hadoop , eclipse，並清楚自己的路徑就可以了

1.1. 安裝java ¶

首先安裝java 基本套件

$ sudo apt-get install java-common sun-java6-bin sun-java6-jdk sun-java6-jre

1.1.1. 安裝sun-java6-doc ¶

 

1 將javadoc (jdk-6u10-docs.zip) 下載下來 下載點

2 下載完後將檔案放在 /tmp/ 下

3 執行

 

$ sudo apt-get install sun-java6-doc

1.2. ssh 安裝設定 ¶

$ apt-get install ssh $ ssh-keygen -t rsa -P '' -f ~/.ssh/id_rsa $ cat ~/.ssh/id_rsa.pub >> ~/.ssh/authorized_keys $ ssh localhost

執行ssh localhost 沒有出現詢問密碼的訊息則無誤

1.3. 安裝hadoop ¶

安裝hadoop0.20到/opt/並取目錄名為hadoop

$ cd ~ $ wget http://apache.ntu.edu.tw/hadoop/core/hadoop-0.20.0/hadoop-0.20.0.tar.gz $ tar zxvf hadoop-0.20.0.tar.gz $ sudo mv hadoop-0.20.0 /opt/ $ sudo chown -R waue:waue /opt/hadoop-0.20.0 $ sudo ln -sf /opt/hadoop-0.20.0 /opt/hadoop

• 編輯 /opt/hadoop/conf/hadoop-env.sh

export JAVA_HOME=/usr/lib/jvm/java-6-sun export HADOOP_HOME=/opt/hadoop exportPATH=$PATH:/opt/hadoop/bin

• 編輯 /opt/hadoop/conf/core-site.xml

<configuration> <property> <name>fs.default.name</name> <value>hdfs://localhost:9000</value> </property> <property> <name>hadoop.tmp.dir</name> <value>/tmp/hadoop/hadoop-${user.name}</value> </property> </configuration>

• 編輯 /opt/hadoop/conf/hdfs-site.xml

<configuration> <property> <name>dfs.replication</name> <value>1</value> </property> </configuration>

• 編輯 /opt/hadoop/conf/mapred-site.xml

<configuration> <property> <name>mapred.job.tracker</name> <value>localhost:9001</value> </property> </configuration>

• 啟動

  $ cd /opt/hadoop $ source /opt/hadoop/conf/hadoop-env.sh $ hadoop namenode -format $ start-all.sh $ hadoop fs -put conf input $ hadoop fs -ls

• 沒有錯誤訊息則代表無誤

1.4. 安裝eclipse ¶

 

• 在此提供兩個方法來下載檔案
  • 方法一：下載 eclipse SDK 3.4.2 Classic，並且放這檔案到家目錄
  • 方法二：貼上指令

    $ cd ~ $ wget http://ftp.cs.pu.edu.tw/pub/eclipse/eclipse/downloads/drops/R-3.4.2-200902111700/eclipse-SDK-3.4.2-linux-gtk.tar.gz

• eclipse 檔已下載到家目錄後，執行下面指令：

 

$ cd ~ $ tar -zxvf eclipse-SDK-3.4.2-linux-gtk.tar.gz $ sudo mv eclipse /opt $ sudo ln -sf /opt/eclipse/eclipse /usr/local/bin/

二、 建立專案 ¶

2.1 安裝hadoop 的 eclipse plugin ¶

• 匯入hadoop 0.20.0 eclipse plugin

 

$ cd /opt/hadoop $ sudo cp /opt/hadoop/contrib/eclipse-plugin/hadoop-0.20.0-eclipse-plugin.jar /opt/eclipse/plugins

$ sudo vim /opt/eclipse/eclipse.ini

• 可斟酌參考eclipse.ini內容（非必要）

 

-startup plugins/org.eclipse.equinox.launcher_1.0.101.R34x_v20081125.jar --launcher.library plugins/org.eclipse.equinox.launcher.gtk.linux.x86_1.0.101.R34x_v20080805 -showsplash org.eclipse.platform --launcher.XXMaxPermSize 512m -vmargs -Xms40m -Xmx512m

2.2 開啟eclipse ¶

• 打開eclipse

 

$ eclipse &

一開始會出現問你要將工作目錄放在哪裡：在這我們用預設值

---

PS: 之後的說明則是在eclipse 上的介面操作

---

2.3 選擇視野 ¶

window ->

open pers.. ->

other.. ->

map/reduce

---

設定要用 Map/Reduce 的視野

---

使用 Map/Reduce 的視野後的介面呈現

---

2.4 建立專案 ¶

file ->

new ->

project ->

Map/Reduce ->

Map/Reduce Project ->

next

---

建立mapreduce專案(1)

---

建立mapreduce專案的(2)

project name-> 輸入 : icas (隨意) use default hadoop -> Configur Hadoop install... -> 輸入："/opt/hadoop" -> ok Finish

---

2.5 設定專案 ¶

由於剛剛建立了icas這個專案，因此eclipse已經建立了新的專案，出現在左邊視窗，右鍵點選該資料夾，並選properties

---

Step1. 右鍵點選project的properties做細部設定

---

Step2. 進入專案的細部設定頁

hadoop的javadoc的設定(1)

• java Build Path -> Libraries -> hadoop-0.20.0-ant.jar
• java Build Path -> Libraries -> hadoop-0.20.0-core.jar
• java Build Path -> Libraries -> hadoop-0.20.0-tools.jar
  • 以 hadoop-0.20.0-core.jar 的設定內容如下，其他依此類推

 

source ...-> 輸入：/opt/opt/hadoop-0.20.0/src javadoc ...-> 輸入：file:/opt/hadoop/docs/api/

---

Step3. hadoop的javadoc的設定完後(2)

---

Step4. java本身的javadoc的設定(3)

 

• javadoc location -> 輸入：file:/usr/lib/jvm/java-6-sun/docs/api/

---

設定完後回到eclipse 主視窗

2.6 連接hadoop server ¶

---

Step1. 視窗右下角黃色大象圖示"Map/Reduce Locations tag" -> 點選齒輪右邊的藍色大象圖示：

---

Step2. 進行eclipse 與 hadoop 間的設定(2)

Location Name -> 輸入：hadoop (隨意) Map/Reduce Master -> Host-> 輸入：localhost Map/Reduce Master -> Port-> 輸入：9001 DFS Master -> Host-> 輸入：9000 Finish

---

設定完後，可以看到下方多了一隻藍色大象，左方展開資料夾也可以秀出在hdfs內的檔案結構

---

三、 撰寫範例程式 ¶

• 之前在eclipse上已經開了個專案icas，因此這個目錄在：
  • /home/waue/workspace/icas
• 在這個目錄內有兩個資料夾：
  • src ： 用來裝程式原始碼
  • bin ： 用來裝編譯後的class檔
• 如此一來原始碼和編譯檔就不會混在一起，對之後產生jar檔會很有幫助
• 在這我們編輯一個範例程式 : WordCount

3.1 mapper.java ¶

 

1. new

 

File ->

new ->

mapper

---

1. create

source folder-> 輸入： icas/src Package : Sample Name -> : mapper

---

1. modify

 

package Sample; import java.io.IOException; import java.util.StringTokenizer; importorg.apache.hadoop.io.IntWritable; import org.apache.hadoop.io.Text; importorg.apache.hadoop.mapreduce.Mapper; public class mapper extends Mapper<Object, Text, Text,IntWritable> { private final static IntWritable one = new IntWritable(1); private Text word = newText(); public void map(Object key, Text value, Context context) throws IOException,InterruptedException { StringTokenizer itr = new StringTokenizer(value.toString()); while(itr.hasMoreTokens()) { word.set(itr.nextToken()); context.write(word, one); } } }

建立mapper.java後，貼入程式碼

---

3.2 reducer.java ¶

1. new

• File -> new -> reducer

---

1. create

source folder-> 輸入： icas/src Package : Sample Name -> : reducer

---

1. modify

 

package Sample; import java.io.IOException; import org.apache.hadoop.io.IntWritable; importorg.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Reducer; public class reducerextends Reducer<Text, IntWritable, Text, IntWritable> { private IntWritable result = newIntWritable(); public void reduce(Text key, Iterable<IntWritable> values, Context context) throwsIOException, InterruptedException { int sum = 0; for (IntWritable val : values) { sum +=val.get(); } result.set(sum); context.write(key, result); } }

• File -> new -> Map/Reduce Driver

---

3.3 WordCount.java (main function) ¶

1. new

建立WordCount.java，此檔用來驅動mapper 與 reducer，因此選擇 Map/Reduce Driver

---

1. create

source folder-> 輸入： icas/src Package : Sample Name -> : WordCount.java

---

1. modify

package Sample; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.fs.Path;import org.apache.hadoop.io.IntWritable; import org.apache.hadoop.io.Text; importorg.apache.hadoop.mapreduce.Job; import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; importorg.apache.hadoop.util.GenericOptionsParser; public class WordCount { public static voidmain(String[] args) throws Exception { Configuration conf = new Configuration(); String[]otherArgs = new GenericOptionsParser(conf, args) .getRemainingArgs(); if (otherArgs.length != 2) {System.err.println("Usage: wordcount <in> <out>"); System.exit(2); } Job job = new Job(conf, "word count"); job.setJarByClass(WordCount.class); job.setMapperClass(mapper.class);job.setCombinerClass(reducer.class); job.setReducerClass(reducer.class);job.setOutputKeyClass(Text.class); job.setOutputValueClass(IntWritable.class);FileInputFormat.addInputPath(job, new Path(otherArgs[0])); FileOutputFormat.setOutputPath(job, newPath(otherArgs[1])); System.exit(job.waitForCompletion(true) ? 0 : 1); } }

三個檔完成後並存檔後，整個程式建立完成

---

• 三個檔都存檔後，可以看到icas專案下的src，bin都有檔案產生，我們用指令來check

 

$ cd workspace/icas $ ls src/Sample/ mapper.java reducer.java WordCount.java $ ls bin/Sample/ mapper.class reducer.class WordCount.class

四、測試範例程式 ¶

 

• 由於hadoop 0.20 此版本的eclipse-plugin依舊不完整 ，如：
  • 右鍵點選WordCount.java -> run as -> run on Hadoop ：沒有效果

• 因此，4.1 提供一個eclipse 上解除 run-on-hadoop 封印的方法。而4.2 則是避開run-on-hadoop 這個功能，用command mode端指令的方法執行。

4.1 解除run-on-hadoop封印 ¶

有一熱心的hadoop使用者提供一個能讓 run-on-hadoop 這個功能恢復的方法。

原因是hadoop 的 eclipse-plugin 也許是用eclipse europa 這個版本開發的，而eclipse 的各版本 3.2 , 3.3, 3.4 間也都有或多或少的差異性存在。

因此如果先用eclipse europa 來建立一個新專案，之後把europa的eclipse這個版本關掉，換用eclipse 3.4開啟，之後這個專案就能用run-on-mapreduce 這個功能囉！

有興趣的話可以試試！（感謝逢甲資工所謝同學）

4.2 運用終端指令 ¶

4.2.1 產生Makefile 檔 ¶

$ cd /home/waue/workspace/icas/ $ gedit Makefile

• 輸入以下Makefile的內容

  JarFile="sample-0.1.jar" MainFunc="Sample.WordCount" LocalOutDir="/tmp/output" all:help jar: jar -cvf ${JarFile} -C bin/ . run: hadoop jar ${JarFile} ${MainFunc} input output clean: hadoop fs -rmr output output: rm -rf ${LocalOutDir} hadoop fs -get output ${LocalOutDir} gedit${LocalOutDir}/part-r-00000 & help: @echo "Usage:" @echo " make jar - Build Jar File." @echo " make clean - Clean up Output directory on HDFS." @echo " make run - Run your MapReduce code on Hadoop." @echo " make output - Download and show output file" @echo " make help - Show Makefile options." @echo " " @echo "Example:" @echo " make jar; make run; make output; make clean"

4.2.2 執行 ¶

 

• 執行Makefile，可以到該目錄下，執行make [參數]，若不知道參數為何，可以打make 或 make help
• make 的用法說明

$ cd /home/waue/workspace/icas/ $ make Usage: make jar - Build Jar File. make clean - Clean up Output directory on HDFS. make run - Run your MapReduce code on Hadoop. make output - Download and show output file make help - Show Makefile options. Example: make jar; make run; make output; make clean

• 下面提供各種make 的參數

 

make jar ¶

• 1. 編譯產生jar檔

 

$ make jar

make run ¶

• 2. 跑我們的wordcount 於hadoop上

$ make run

• make run基本上能正確無誤的運作到結束，因此代表我們在eclipse編譯的程式可以順利在hadoop0.20的平台上運行。

• 而回到eclipse視窗，我們可以看到下方視窗run完的job會呈現出來；左方視窗也多出output資料夾，part-r-00000就是我們的結果檔

---

• 因為有設定完整的javadoc, 因此可以得到詳細的解說與輔助

make output ¶

• 3. 這個指令是幫助使用者將結果檔從hdfs下載到local端，並且用gedit來開啟你的結果檔

$ make output

make clean ¶

• 4. 這個指令用來把hdfs上的output資料夾清除。如果你還想要在跑一次make run，請先執行make clean，否則hadoop會告訴你，output資料夾已經存在，而拒絕工作喔！

 

$ make clean

五、結論 ¶

<ul style=