Hadoop权威指南:MapReduce应用开发
一般流程
- 编写map函数和reduce函数
- 编写驱动程序运行作业
用于配置的API
Hadoop中的组件是通过Hadoop自己的配置API来配置的
一个
Configuration
类的实例代表配置属性及其取值的一个集合-
Configuration
从资源(XML文件)中读取属性值,一个简单的配置文件(configuration-1.xml)如下<?xml version="1.0"?>
<configuration>
<property>
<name>color</name>
<value>yellow</value>
</property>
<property>
<name>size</name>
<value>10</value>
</property>
<property>
<name>weight</name>
<value>heavy</value>
<final>true</final>
</property>
<property>
<name>size-weight</name>
<value>${size},${weight}</value>
</property>
</configuration>使用上述配置文件:
Configuration conf = new Configuration();
conf.addReasource("configuration-1.xml");
assertThat(conf.get("color"), is("yellow"));
assertThat(conf.getInt("size", 0), is(10));
assertThat(conf.get("breadth", "wide"), is("wide")); // get()方法允许为XML文件中没有定义的属性指定默认值
资源合并
使用多个资源来定义一个配置时,后添加的配置文件的属性会覆盖之前定义的属性,但是被标记为final的属性不能被后面的定义所覆盖
使用多个资源定义配置
Configuration conf = new Configuration();conf.addResource("configuration-1.xml");conf.addResource("configuration-2.xml");
可变的扩展
配置属性可以用其他属性或系统属性进行定义,例如文件configuration-1.xml
中size-weight
属性可以定义为${size}
和${weight}
,而且这些属性是用配置文件中的值来扩展的:
assertThat(conf.get("size-weight"), is("12,heavy"));
系统属性的优先级高于资源文件中定义的属性:
System.setProperty("size", "14");
assertThat(conf.get("size-weight"), is("14,heavy"));
虽然配置属性可以通过系统属性来定义,但除非系统属性使用配置属性重新定义,否则他们是无法通过配置API进行访问的:
System.setProperty("length", "2");
assertThat(conf.get("length"), is(String)null);
配置开发环境
<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
<modelVersion>4.0.0</modelVersion>
<groupId>com.bovenson</groupId>
<artifactId>mapreduce</artifactId>
<version>1.0-SNAPSHOT</version>
<properties>
<project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
<project.reporting.outputEncoding>UTF-8</project.reporting.outputEncoding>
</properties>
<dependencies>
<!-- Hadoop main artifact -->
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-core</artifactId>
<version>1.0.0</version>
</dependency>
<!-- Unit test artifacts -->
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>4.10</version>
<!--<scope>test</scope>-->
</dependency>
<dependency>
<groupId>org.hamcrest</groupId>
<artifactId>hamcrest-all</artifactId>
<version>1.1</version>
<!--<scope>test</scope>-->
</dependency>
<!-- Hadoop test artifacts for running mini clusters -->
<dependency>
<groupId>org.apache.mrunit</groupId>
<artifactId>mrunit</artifactId>
<version>0.8.0-incubating</version>
<!--<classifier>hadoop1</classifier>-->
<!--<scope>test</scope>-->
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-test</artifactId>
<version>1.0.0</version>
<!--<scope>test</scope>-->
</dependency>
<!-- Missing dependency for running mini clusters -->
<dependency>
<groupId>com.sun.jersey</groupId>
<artifactId>jersey-core</artifactId>
<version>1.8</version>
<!--<scope>test</scope>-->
</dependency>
</dependencies>
<build>
<finalName>hadoop-max-temperature-text</finalName>
<plugins>
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-compiler-plugin</artifactId>
<!--<version>2.3.2</version>-->
<configuration>
<source>1.8</source>
<target>1.8</target>
</configuration>
</plugin>
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-jar-plugin</artifactId>
<!--<version>2.4</version>-->
<configuration>
<outputDirectory>${basedir}</outputDirectory>
</configuration>
</plugin>
</plugins>
</build>
</project>
- 构建MapReduce作业只需要有hadoop-core依赖
- 使用junit及两个辅助库来运行单元测试
- hamcrest-all帮助撰写测试断言的匹配符
- mrunit用于写MapReduce测试
用MRUnit来写单元测试
关于Mapper
MaxTemperatureMapper的单元测试
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mrunit.mapreduce.MapDriver;
import org.junit.Test;
import java.io.IOException;
public class MaxTemperatureMapperTest {
@Test
public void processesValidRecord() throws IOException {
Text value = new Text("0043011990999991950051518004+68750+023550FM-12+0382" +
"99999V0203201N00261220001CN9999999N9-0011+99999999999");
new MapDriver<LongWritable, Text, Text, IntWritable>()
.withMapper(new MaxTemperatureMapper())
.withInput(new LongWritable(0), value)
.withOutput(new Text("1950"), new IntWritable(-11))
.runTest();
}
}
相应的MaxTemperatureMapper
类:
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
public class MaxTemperatureMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
@Override
public void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
String line = value.toString();
String year = line.substring(15, 19);
int airTemperature = Integer.parseInt(line.substring(87, 92));
context.write(new Text(year), new IntWritable(airTemperature));
}
}
运行
使用Eclipse或者Idea直接运行即可
关于Reducer
MaxTemperatureReducer的单元测试
public class MaxTemperatureReducerTest {
@Test
public void returnsMaximumIntegerInValues() throws IOException {
new ReduceDriver<Text, IntWritable, Text, IntWritable>()
.withReducer(new MaxTemperatureReducer())
.withInputKey(new Text("1950"))
.withInputValues(Arrays.asList(new IntWritable(10), new IntWritable(5)))
.withOutput(new Text("1950"), new IntWritable(10))
.runTest();
}
}
在集群上运行
本地作业运行器使用单JVM运行一个作业,只要作业需要的所有类都在类路径(classpath)上,那么作业就可以正常运行.
分布式环境中,开始的时候作业的类必须打包进作业的JAR文件中并发送给集群.Hadoop通过搜索驱动程序的类路径自动找到作业的JAR文件,该类路径包含了JobConf或Job上的
setJarByClass()
方法中设置的类.如果你想通过文件路径设置一个指定的JAR文件,可以使用setJar()
方法.-
使用Ant或Maven等这样的工具可以方便地创建作业的JAR文件(以Maven为例):
mvn package -DskipTests
如果每个JAR文件都只有一个作业,可以在JAR文件的manifest中指定要运行的main类.如果没有在manifest中设置main类,则必须在命令行指定.
客户端的类路径
由hadoop jar <jar>设置的用户客户端类路径包括以下几个组成部分
:
- 作业的JAR文件
- 作业JAR文件的lib目录中的所有JAR文件以及类目录(如果定义)
- HADOOP_CLASSPATH定义的类路径
任务的类路径
咋集群上(包括伪分布式模式),map和reduce任务在各自的JVM上运行,他们的类路径不受HADOOP_CLASSPATH
控制.HADOOP_CLASSPATH
是一项客户端设置,并只针对驱动程序的JVM的类路径进行设置.
用户任务的类路径有以下几个部分组成
- 作业的JAR文件
- 作业JAR文件的lib目录中包含的所有JAR文件以及类目录
- 使用
-libjars
选项或DistributedCache
的addFileToClassPath()
方法或Job
添加到分布式缓存的所有文件.
打包依赖
给定这些不同的方法来控制客户端和类路径上的内容,也有相应的操作处理作业的库依赖:
- 将库解包和重新打包到作业的JAR
- 对作业的JAR的目录中的库打包
- 保持库与作业的JAR分开,并且通过
HADOOP_CLASSPATH
将他们添加到客户端的类路径,通过-libjars
将他们添加到任务的类路径
最后使用分布式缓存的选项是最简单的,因为依赖不需要在作业的JAR中重新创建.同时,分布式缓存意味着在集群上更少的JAR文件转移
任务类路径的优先权
用户的JAR文件被添加到客户端类路径和任务类路径的最后,如果Hadoop使用的库版本和你的代码使用的不同或不相容,在某些情况下可能会引发和Hadoop内置库的依赖冲突.
有时需要控制任务类路径优先放到搜索顺序中.对于任务的类路径,你可以将mapreduce.task.classpath.first
设为true
.