Hadoop-MapReduce 入门

　　从开始着手装双系统，到配置Hadoop，整整五天之后才终于能运行Eclipse里的代码，虽然时间用得有点久，但是对于一个对JAVA和分布式完全不了解的小白来说，我还是蛮开心的哈哈哈～

　　系统：Win8 + Ubuntu 12.04 LtS

　　前期准备：最开始我是打算在虚拟机VMware里配置Hadoop，装好了之后问同学注意事项的时候被告知，电脑配置不高的话虚拟机太卡，这种属于完全分布式的模式暂时还永不到，让我装双系统然后配置伪分布式，秉承着要“师傅另进门”的心态，准备听从大牛的建议。然后大牛辛苦了一天帮我装上Ubuntu（其间由于电脑显卡的问题折腾了好久，还换了个Ubuntu的版本才搞定），之后就都是我自己的事情了嗯嗯。。先配置Hadoop 和 Eclipse（http://www.cnblogs.com/kathyrine/p/3641330.html），里边的各种命令大多都不太懂，按照网上的教程来弄，出了好几个问题，好在各种查和问过同学之后搞定了。在运行过Hadoop里自带的 WordCount 程序之后，开始学着用 Eclipse 自己编译和运行代码。

　　参考链接：http://www.cnblogs.com/xia520pi/archive/2012/06/04/2534533.html 一定是大牛写的，看着人家写的蛮简单的，运行过程就直接说了个运行，其他的都没有说，人家应该是提前把各种小方面都配置好了，其实还蛮麻烦的。

第一个案例：数据去重，输入是以字符串String的形式，跟我们的作业大同小异，我们的输入只是整数。

第一步：建立输入文件：

file1.txt
2012-3-1 a
2012-3-2 b
2012-3-3 c
2012-3-4 d
2012-3-5 a
2012-3-6 b
2012-3-7 c
2012-3-3 c

file2.txt
2012-3-1 b
2012-3-2 a
2012-3-3 b
2012-3-4 d
2012-3-5 a
2012-3-6 c
2012-3-7 d
2012-3-3 c

第二步：写 MapReduce 代码：
首先要在 Eclipse 里建立 Java 的Project (name: hw)，然后在 src 文件夹里 New Package (name: org.bigdata，名称最好都是小写，后来才知道里边的 . 是有建立子文件夹的用处 ) ，再再这个包里 New Class (name: Dedup，首字母需要大写，貌似是Java 写类名的规范 )

package org.bigdata;

import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
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 Dedup {

    public static class Map extends Mapper {
        private static Text line = new Text();
       
        public void map(Object key, Text value, Context context)
            throws IOException, InterruptedException{
                line = value;
                context.write(line, new Text(""));
            }
    }
   
    public static class Reduce extends Reducer {
        public void reduce(Text key, Iterable values, Context context)
            throws IOException, InterruptedException{
                context.write(key,  new Text(""));
        }
    }
   
    public static void main(String[] args) throws Exception{
        Configuration conf = new Configuration();
        conf.set("mapred.job.tracke", "192.168.1.2:9001");
       
        String[] ioArgs = new String[]{"dedup_in", "dedup_out"};
        String[] otherArgs = new GenericOptionsParser(conf, ioArgs).getRemainingArgs();
        if(otherArgs.length != 2){
            System.err.println("Usage: Data Deduplication ");
            System.exit(2);
        }
       
        Job job = new Job(conf, "Data Deduplication");
        job.setJarByClass(Dedup.class);
       
        job.setMapperClass(Map.class);
        job.setCombinerClass(Reduce.class);
        job.setReducerClass(Reduce.class);
       
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(Text.class);
       
        FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
        FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
        System.exit(job.waitForCompletion(true) ? 0 : 1);
    }
}

运行 Ctrl + F11 之后会发现有很多错误，各种手足无措。按照Console上面的错误信息一个一个Google 发现是因为缺少 Hadoop 相关外部引用的 jar 包，这些包不会自动添加，需要手动加进来，网上有很多说法是在下载hadoop/lib 文件夹里又这些 jar 文件，其实没有，需要自己去找，找了好久，第一个下载得蛮快的。参考下载地址：

http://repo1.maven.org/maven2/org/apache/hadoop/hadoop-core/1.2.1/
http://www.java2s.com/Code/Jar/h/Downloadhadoopcore121jar.htm

方法：http://www.crifan.com/java_eclipse_the_import_org_apache_cannot_be_resolved/

选择 “Configure Build Path"

　　选择 Add External JARs，（将之前下载的hadoop-core-1.2.1.jar 解压到 hadoop/lib里），将 jar 包都加进来。然后运行，在Java里的各种输入地址特别关键，否则就会出现这个问题：

14/03/30 14:04:36 ERROR security.UserGroupInformation: PriviledgedActionException as:kxxie cause:org.apache.hadoop.mapreduce.lib.input.InvalidInputException: Input path does not exist: file:/home/kxxie/workspace/hw/dedup_in
Exception in thread "main" org.apache.hadoop.mapreduce.lib.input.InvalidInputException: Input path does not exist: file:/home/kxxie/workspace/hw/dedup_in

　　先明确当前目录是和src同级的目录，这个问题我弄了好久才明白，也就是如果要写相对路径的话，按照下面这种写法， input 和 output 的地址是和src的地址一样的。然后再运行就妥妥的了。这应该是本地运行，然后出现 output 文件夹，里边的文件part-r-0000就是运行结果。

　　下面在Hadoop上运行，一开始我按照上面链接里说的，先在DFS Locations 的 /user/kxxie下建立 input 文件夹，Upload上面两个输入文件，然后在Eclipse里选择 Run on Hadoop就可以了。但是运行完之后跟大牛说的不一样，不会在DFS里不会出现 output 文件夹。然后舍弃了直接用的方法，不知道是不是尤其他的设置。
运行成功的方法如下：http://blog.sina.com.cn/s/blog_5d2184eb0100r0tz.html

　　如果想用Hadoop，要编译Dedup.java文件，将其制作成可执行的 jar包，（有同学告诉我说不这样也成功过，但是我不知到要怎么做），方法如下：

　　在终端输入命令：  javac /org/bigdata/Dedup.java  （前提是已经在编辑好了系统环境变量 classpath）

　　在org同级目录上建立manifest.mf：（Java项目中manifest.mf的作用：http://blog.sina.com.cn/s/blog_9075354e0101kc37.htm）输入命令： $ vim manifest.mf ，插入

Main-Class: org.bigdata.Dedup （注意在冒号后面又空格，且末尾输入后又回车，http://hi.baidu.com/gaoke966/item/78dc61cfe3fac426a1b50a63）（在查看输出文件的时候我不知道为什么必须写绝对路径，相对路径怎么也不对）

$ jar -cvfm Dedup.jar manifest.mf org/
$ hadoop jar Dedup.jar input output
$ hadoop fs -cat /user/kxxie/output/part-r-00000

运行结果如下：

嗯。。很开心，终于知道怎么运行了。