Hadoop中通过ToolRunner和Configured实现直接读取命令行动态出入reduce task数量,jar文件等

一个典型的实现Tool的程序:

/**

MyApp 需要从命令行读取参数,用户输入命令如,

$bin/hadoop jar MyApp.jar -archives test.tgz  arg1 arg2

-archives 为hadoop通用参数,arg1 ,arg2为job的参数

*/

public class MyApp extends Configured implements Tool {

         //implemet Tool’s run

         public int run(String[] args) throws Exception {

                   Configuration conf = getConf();

                   // Create a JobConf using the processed conf

                   JobConf job = new JobConf(conf, MyApp.class);

                   // Process custom command-line options

                   Path in = new Path(args[1]);

                   Path out = new Path(args[2]);

                   // Specify various job-specific parameters

                   job.setJobName(“my-app”);

                   job.setInputPath(in);

                   job.setOutputPath(out);

                   job.setMapperClass(MyApp.MyMapper.class);

                   job.setReducerClass(MyApp.MyReducer.class);

                    

                   JobClient.runJob(job);

         }

       

         public static void main(String[] args) throws Exception {

                   // args由ToolRunner来处理

                   int res = ToolRunner.run(new Configuration(), new MyApp(), args);

                   System.exit(res);

         }

}

 

说明:

使用ToolRunner让参数传递更简单,关于MapReduce运行和参数配置,你是否有下面的烦恼:

A: 将MapReduce Job配置参数写到java代码里,一旦变更意味着修改java文件源码、编译、打包、部署一连串事情。

B:当MapReduce 依赖配置文件的时候,你需要手工编写java代码使用DistributedCache将其上传到HDFS中,以便map和reduce函数可以读取。

C:当你的map或reduce 函数依赖第三方jar文件时,你在命令行中使用”-libjars”参数指定依赖jar包时,但根本没生效。

D:其实,Hadoop有个ToolRunner类,它是个好东西,简单好用。无论在《Hadoop权威指南》还是Hadoop项目源码自带的example,都推荐使用ToolRunner。

 

下面我们看下src/example目录下WordCount.Java文件,它的代码结构是这样的:

public class WordCount {

   // 略...

   public static void main(String[] args) throws Exception {

       Configuration conf = new Configuration();

       String[] otherArgs = new GenericOptionsParser(conf,

                                           args).getRemainingArgs();

       // 略...

       Job job = new Job(conf, "word count");

       // 略...

       System.exit(job.waitForCompletion(true) ? 0 : 1);

    }

}

WordCount.java中使用到了GenericOptionsParser这个类,它的作用是将命令行中参数自动设置到变量conf中。举个例子,比如我希望通过命令行设置reduce task数量,就这么写:bin/hadoop jar MyJob.jar com.xxx.MyJobDriver -Dmapred.reduce.tasks=5

上面这样就可以了,不需要将其硬编码到java代码中,很轻松就可以将参数与代码分离开。

其它常用的参数还有”-libjars”和-“files”,使用方法一起送上:

bin/hadoop jar MyJob.jar com.xxx.MyJobDriver -Dmapred.reduce.tasks=5\

   -files ./dict.conf  \

   -libjars lib/commons-beanutils-1.8.3.jar,lib/commons-digester-2.1.jar

参数”-libjars”的作用是上传本地jar包到HDFS中MapReduce临时目录并将其设置到map和reduce task的classpath中;参数”-files”的作用是上传指定文件到HDFS中mapreduce临时目录,并允许map和reduce task读取到它。这两个配置参数其实都是通过DistributeCache来实现的。

至此,我们还没有说到ToolRunner,上面的代码我们使用了GenericOptionsParser帮我们解析命令行参数,编写ToolRunner的程序员更懒,它将GenericOptionsParser调用隐藏到自身run方法,被自动执行了,修改后的代码变成了这样:

 

public class WordCount extends Configuredimplements Tool {

 

   @Override

   public int run(String[] arg0) throws Exception {

       Job job = new Job(getConf(), "word count");

       // 略...

       System.exit(job.waitForCompletion(true) ? 0 : 1);

       return 0;

    }

 

   public static void main(String[] args) throws Exception {

       int res = ToolRunner.run(new Configuration(), new WordCount(), args);

       System.exit(res);

    }

}

看看代码上有什么不同:

让WordCount继承Configured并实现Tool接口。

重写Tool接口的run方法,run方法不是static类型,这很好。

在WordCount中我们将通过getConf()获取Configuration对象。

 

最终我们得出的总结是:

1、通过使用ToolRunner.run(...)方法,可以更便利的使用hadoop命令行参数。

2、ToolRunner.run(...)通过调用Tool类中的run(String[])方法来运行hadoop程序,并默认加载core-default.xml与core-site.xml中的参数。

 

在程序运行时,可以通过命令行修改参数,可修改的内容如下:

 Hadoop中通过ToolRunner和Configured实现直接读取命令行动态出入reduce task数量,jar文件等

 

 


上一篇:3GPP标准化九大原则(上) | 带你读《5G UDN(超密集网络)技术详解》之五


下一篇:拼多多 面试题 最大成绩