Linux——eclipse下Hadoop2.2.0的安装配置

1.安装环境

   系统:ubuntu 13.10

   hadoop版本:2.2.0

   eclipse版本：indigo

2.到 hadoop2.2插件下载 下载插件解压放到eclipse的plugin目录下，重启eclipse.

3. 配置hadoop installation directory。

  如果安装插件成功，打开Window-->Preferens，你会发现Hadoop Map/Reduce选项，在这个选项里你需要配置Hadoop installation  

  directory。配置完成后退出。 

  

 

4. 配置Map/Reduce Locations。  在Window-->Show View->other...，在MapReduce Tools中选择Map/Reduce Locations。

   

  在Map/Reduce Locations（Eclipse界面的正下方）中新建一个Hadoop Location。在这个View中，点击鼠标右键-->New Hadoop Location。在弹出的对话框中你需要配置Location name，可任意填，如Hadoop，以及Map/Reduce Master和DFS Master。这里面的Host、Port分别为你在mapred-site.xml、core-site.xml中配置的地址及端口。

由于是伪分布所以IP是相同的，完成后可以看到对应的文件。 我的这两个文件中配置如下： 

5.新建一个hadoop项目测试.

    新建项目: File-->New-->Other-->Map/Reduce Project  项目名可以随便取，如hadoopTest。 

   新建测试类，wordCountTest,（复制wordCount源代码）代码如下:

package test;

import java.io.IOException; 
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.mapred.JobConf; 
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 wordCountTest {

 /** 
 * MapReduceBase类:实现了Mapper和Reducer接口的基类（其中的方法只是实现接口，而未作任何事情） 
 * Mapper接口： 
 * WritableComparable接口：实现WritableComparable的类可以相互比较。所有被用作key的类应该实现此接口。 
 * Reporter 则可用于报告整个应用的运行进度，本例中未使用。 
 * 
 */ 
 public static class TokenizerMapper 
 extends Mapper<Object, Text, Text, IntWritable>{ 
 
 /** 
 * LongWritable, IntWritable, Text 均是 Hadoop 中实现的用于封装 Java 数据类型的类，这些类实现了WritableComparable接口， 
 * 都能够被串行化从而便于在分布式环境中进行数据交换，你可以将它们分别视为long,int,String 的替代品。 
 */ 
 private final static IntWritable one = new IntWritable(1); 
 private Text word = new Text();//Text 实现了BinaryComparable类可以作为key值 
 
 
 /** 
 * Mapper接口中的map方法： 
 * void map(K1 key, V1 value, OutputCollector<K2,V2> output, Reporter reporter) 
 * 映射一个单个的输入k/v对到一个中间的k/v对 
 * 输出对不需要和输入对是相同的类型，输入对可以映射到0个或多个输出对。 
 * OutputCollector接口：收集Mapper和Reducer输出的<k,v>对。 
 * OutputCollector接口的collect(k, v)方法:增加一个(k,v)对到output 
 */ 
 
 public void map(Object key, Text value, Context context) throws IOException, InterruptedException { 
 
 /** 
 * 原始数据： 
 * c++ java hello 
 world java hello 
 you me too 
 map阶段，数据如下形式作为map的输入值：key为偏移量 
 0 c++ java hello 
 16 world java hello 
 34 you me too 
 
 */ 
 
 /** 
 * 以下解析键值对 
 * 解析后以键值对格式形成输出数据 
 * 格式如下：前者是键排好序的，后者数字是值 
 * c++ 1 
 * java 1 
 * hello 1 
 * world 1 
 * java 1 
 * hello 1 
 * you 1 
 * me 1 
 * too 1 
 * 这些数据作为reduce的输出数据 
 */ 
 StringTokenizer itr = new StringTokenizer(value.toString());//得到什么值 
 System.out.println("value什么东西 ： "+value.toString()); 
 System.out.println("key什么东西 ： "+key.toString()); 
 
 while (itr.hasMoreTokens()) { 
 word.set(itr.nextToken()); 
 
 context.write(word, one); 
 } 
 } 
 }
 public static class IntSumReducer extends Reducer<Text,IntWritable,Text,IntWritable> { 
 private IntWritable result = new IntWritable(); 
 /** 
 * reduce过程是对输入数据解析形成如下格式数据： 
 * (c++ [1]) 
 * (java [1,1]) 
 * (hello [1,1]) 
 * (world [1]) 
 * (you [1]) 
 * (me [1]) 
 * (you [1]) 
 * 供接下来的实现的reduce程序分析数据数据 
 * 
 */ 
 public void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException { 
 int sum = 0; 
 /** 
 * 自己的实现的reduce方法分析输入数据 
 * 形成数据格式如下并存储 
 * c++ 1 
 * hello 2 
 * java 2 
 * me 1 
 * too 1 
 * world 1 
 * you 1 
 * 
 */ 
 for (IntWritable val : values) { 
 sum += val.get(); 
 } 
 
 result.set(sum); 
 context.write(key, result); 
 } 
 } 
 
 
 public static void main(String[] args) throws Exception { 
 
 /** 
 * JobConf：map/reduce的job配置类，向hadoop框架描述map-reduce执行的工作 
 * 构造方法：JobConf()、JobConf(Class exampleClass)、JobConf(Configuration conf)等 
 */ 
 //根据自己的实际情况填写输入分析的目录和结果输出的目录 
 args = new String[2];
 args[0] = "hdfs://localhost:9000/input";
 args[1] = "hdfs://localhost:9000/output";
 
 Configuration conf = new Configuration(); 
 String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs(); 
 for(String s : otherArgs){
 System.out.println(s);
 }

 //这里需要配置参数即输入和输出的HDFS的文件路径 
 if (otherArgs.length != 2) { 
 System.err.println("Usage: wordcount <in> <out>"); 
 System.exit(2); 
 } 
 // JobConf conf1 = new JobConf(WordCount.class); 
 Job job = new Job(conf, "word count");//Job(Configuration conf, String jobName) 设置job名称和 
 job.setJarByClass(wordCountTest.class); 
 job.setMapperClass(TokenizerMapper.class); //为job设置Mapper类 
 job.setCombinerClass(IntSumReducer.class); //为job设置Combiner类 
 job.setReducerClass(IntSumReducer.class); //为job设置Reduce类 
 job.setOutputKeyClass(Text.class); //设置输出key的类型 
 job.setOutputValueClass(IntWritable.class);// 设置输出value的类型 
 FileInputFormat.addInputPath(job, new Path(otherArgs[0])); //为map-reduce任务设置InputFormat实现类 设置输入路径 
 
 FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));//为map-reduce任务设置OutputFormat实现类 设置输出路径 
 System.exit(job.waitForCompletion(true) ? 0 : 1); 
 } 

}
转载自:http://blog.163.com/gibby_l/blog/static/8300316120140180555754/