hadoop学习；大数据集在HDFS中存为单个文件；安装linux下eclipse出错解决；查看.class文件插件

sudo apt-get install eclipse

安装后打开eclipse，提示出错

An error has occurred. See the log file
/home/pengeorge/.eclipse/org.eclipse.platform_3.7.0_155965261/configuration/1342406790169.log.

查看错误日志然后解决

打开log文件，看到以下的错误

!SESSION 2012-07-16 10:46:29.992 -----------------------------------------------
eclipse.buildId=I20110613-1736
java.version=1.7.0_05
java.vendor=Oracle Corporation
BootLoader constants: OS=linux, ARCH=x86, WS=gtk, NL=zh_CN
Command-line arguments:  -os linux -ws gtk -arch x86

!ENTRY org.eclipse.osgi 4 0 2012-07-16 10:46:31.885
!MESSAGE Application error
!STACK 1
java.lang.UnsatisfiedLinkError: Could not load SWT library. Reasons:
no swt-gtk-3740 in java.library.path
no swt-gtk in java.library.path
Can't load library: /home/pengeorge/.swt/lib/linux/x86_64/libswt-gtk-3740.so
Can't load library: /home/pengeorge/.swt/lib/linux/x86/libswt-gtk.so

解决的方法

把相关文件复制到~/.swt/lib/linux/x86下就可以
cp /usr/lib/jni/libswt-*3740.so ~/.swt/lib/linux/x86_64然后重新启动就能够了

eclipse在usr/lib/eclipse下

http://www.blogjava.net/hongjunli/archive/2007/08/15/137054.html 解决查看.class文件

一个典型的hadoop工作流会在别的地方生成数据文件（如日志文件），再将这些拷贝到HDFS中，接着由Mapreduce处理这个数据。通常不会直接读取一个HDFS文件。它们依靠MAPReduce框架读取。并将之解析为独立的记录（键/值对），除非指定数据的导入与导出。否则差点儿用不到编程来读写HDFS文件

Hadoop文件命令既能够与HDFS文件系统交互，也能够和本地文件系统交互,也能够与Amazon S3文件系统交互

hadoop fs -mkdir /user/chuck创建文件夹  hadoop fs -ls/查看   hadoop fs -lsr /查看子文件夹 

hadoop fs -put example.txt  .  加入文件到/user/chuck后面的点相当于/user/chuck

假设放到一个不存在的目录。那么系统默认是给文件重命名。而不是创建新目录

注意这里的example.txt是放在根文件夹用户下。比方student用户。能够是 /home/student/example.txt  以上操作将本地文件放入hdfs

当你把数据放入HDFS能够执行hadoop处理，处理过程将输出一组新的HDFS文件，查看hadoop fs -cat /user/chuck/pg20417.txt 

读取hadoop fs -get /user/chuck/pg20417.txt .读取文件到当前linux目录下，这里的点表示当前目录

 能够在hadoop中使用UNIX的管道hadoop fs -cat /user/chuck/pg20417.txt | head 查看最后一千字节hadoop fs -tail  /user/chuck/pg20417.txt；

查看文件hadoop fs -text /user/chuck/pg20417.txt

删除文件hadoop fs -rm  /user/chuck/pg20417.txt

查看Hadoop命令帮助，比如要了解ls 则能够hadoop fs -help ls

Hadoop命令行有个getMerge用于将HDFS拷贝到本地计算机文件之前进行合并，在Hadoop用于文件操作的主类位于org.apache.hadoop.fs

输入数据被分到不同节点之后，节点间的数据交换在“洗牌”阶段，节点间通信的唯一时间是“洗牌”阶段，这个通信约束对可扩展性有极大的帮助

MapReduce提供了一种序列化键值对的方法。因此仅仅有那些这些序列化的类能够在这个框架中充当键或者值。实现Writable接口的能够是值，实现WritableComparable<T>接口的能够是键和值，键须要比較。一些提前定义的类实现writablecomparable接口ti

实现的方法有：怎样读入数据，怎样写出数据，数据的排序比較

能够開始第一阶段mapper，一个类要作为mapper。须要继承mapreducebase基类和实现mapper接口

构造方法void configure(JobConif job)提取xml配置文件，或者应用程序主类中的參数，在数据处理之前调用该函数

析构方法void close（）mapper结束前的一个方法，完毕全部结尾工作，如关闭数据库连接，打开文件等。

mapper仅仅有一个方法map，用于处理一个单独的键值对

reduce函数，通过迭代处理那些与指定键相关联的值。生成一个（可能为空）列表

在mapper和reduce之间还有个极其重要的步骤：将mapper的结果输出给不同的reducer，这就是partitioner的工作

多个reducer实现并行计算，默认的做法是对键进行散列来确定reducer，hadoop通过国HashPartitionner来强制运行这个策略，但有时会让你出错

（上海，北京）和（上海，广州），这两行能够被送到不同的reducer航线离港地，若以上海为key。则处理两次，若以北京为离港地。为key。也是处理两次。若以广州为能够。也是处理两次，这时北京和广州为key的各自两次就是多余的

这时我们应该对partitioner量身定制，仅仅须要对departure进行散列，同样离港地的航线送往同一个reducer

一个partitioner须要实现configure函数（将hadoop作业应用在partitioner上），实现getPartition（）函数（返回一个介于0到reduce任务数之间的整数。指向键值对要发送的reducer）

由partitioner决定键放入的位置（哪个reducer）
HDFS支持将多个文件合并成一个大文件到HDFS处理（效率还高点）处理后满足MapReduce使用，MapReduce处理的原则之中的一个就是将输入数据切割成块, 这些快能够在多台计算机上并行处理，在hadoop术语这些被称之为输入分片（Input split），这些分片应足够小实现粒度并行。也不能太小

FSDataInputStream扩展了java.io.DataInputStream以支持随机读，MapReduce须要这个特性，由于一台机器可能被指派从输入文件的中间開始处理一个分片。假设没有随机訪问，则须要从头一直读到分片的位置

HDFS为了存储MapReduce并行切分和处理的数据所做的设计，HDFS按块存储并分布在多个机器上，每一个文件块为一个分片。假设每一个分片/块都由它所在的机器进行处理，就自己主动实现了并行，多个节点负责数据块以实现可靠性。MapReduce能够随意选择一个包括分片/数据块副本的节点

输入分片是一种逻辑划分，而HDFS数据块是对输入数据的物理划分。当它们一致时，效率很高。但在实际中从未达到全然一致，记录可能会跨过数据块的边界，处理特定分片的计算节点会从一个数据块中获取记录的一个片段