Intellij IDEA开发Hadoop伪分布式应用

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接： https://blog.csdn.net/qq_33588730/article/details/81228315

在上一篇博客中（https://blog.csdn.net/qq_33588730/article/details/81123614）安装CDH5.15.0之后，安装好的是单机版Hadoop，并且准备好了伪分布式与全分布式需要的ssh远程登录配置，现在试试将Hadoop以伪分布式方式来运行，并用流行的Java开发软件Intellij IDEA来学习和开发Hadoop应用。

一、将Hadoop(CDH)以伪分布式启动

首先需要修改一些配置文件，在命令行中或者文件管理器的图形界面中找到Hadoop（CDH）安装目录下的/etc/hadoop目录，用vim或者gedit编辑器编辑以下4个文件：

(1)core-site.xml，顾名思义，用于定义一些核心的通用配置（如果要返回单机模式，删除该文件里的配置），定义HDFS的namenode主机与端口，默认为8020端口运行namenode：

(2)hdfs-site.xml，用于配置HDFS的相关属性，这里配置保存文件副本数，学习的时候只有本机所以副本数为1：

(3)mapred-site.xml，找到Hadoop(CDH)安装目录下/etc/hadoop文件夹内的mapred-site.xml.template文件，并重命名删去后缀.template，有该后缀就是模板文件不会被启用，去掉后缀变成mapred-site.xml可以使该配置文件生效，这个文件是用于配置MapReduce相关属性的，进行编辑，让mapreduce运行在yarn框架下：

这里需要注意的是，如果不需要启动YARN的时候，一定要把mapred-site.xml重命名为mapred-site.xml.template模板文件，否则在该配置文件存在，而未开启 YARN 的情况下，运行程序会提示 “Retrying connect to server: 0.0.0.0/0.0.0.0:8032” 的错误，这也是为何默认安装单机模式的时候，该配置文件原本名为 mapred-site.xml.template。

(4)yarn-site.xml，用于配置YARN的相关属性，这里配置yarn的resourcemanager的主机名，以及nodemanager上运行的附属服务，配置成mapreduce_shuffle可运行mapreduce：

配置好配置文件之后，用hdfs namenode -format命令格式化HDFS文件系统，命令行日志的末尾会显示“successfully formatted”和“Exiting with status 0”，这就表示初始化成功，如果返回的状态码是1则有错误（这里直接可以在/home/yyc目录下输入命令启动在/opt目录下的hdfs是因为上一篇博客配置了环境变量）：

需要注意的是，以后每次开机后，在启动Hadoop前都要使用这个命令格式化HDFS，因为HDFS实际的文件默认路径在系统的/tmp/hadoop-用户名/dfs/目录下，下次开机的时候会自动清除/tmp目录下的缓存，因此每次都需要重新初始化把文件写入/tmp，否则直接使用start-all.sh命令启动hdfs的时候会导致NameNode无法启动，使用jps命令查看进程的时候会发现没有NameNode，从而在执行hadoop fs -ls /命令的时候被拒绝连接，并报错“ls: Call From localhost/127.0.0.1 to localhost:8020 failed on connection exception: java.net.ConnectException: Connection refused”。

当然为了避免每次初始化NameNode的麻烦，也可以在用hdfs namenode -format命令初始化之前，在hdfs-site.xml文件中添加如下代码，使NameNode和DataNode的数据存储路径更换为其他的，就可以不用每次初始化NameNode了（默认NameNode的HDFS元数据在/tmp/hadoop-用户名/dfs/name目录，DataNode存储的数据块在/tmp/hadoop-用户名/dfs/data目录，SecondaryNameNode目录在/tmp/hadoop-用户名/dfs/namesecondary下）：

<!--hdfs中namenode在linux下的存储路径-->
    <property>
          <name>dfs.name.dir</name>
          <value>/opt/hadoop-2.6.0-cdh5.15.0/tmp/dfs/name</value>
    </property>
<!--hdfs中datanode在linux下的存储路径-->
    <property>
          <name>dfs.data.dir</name>
          <value>/opt/hadoop-2.6.0-cdh5.15.0/tmp/dfs/data</value>
    </property>

或者：

<!--hdfs中namenode和danode存储路径，若是设置此参数上面两个参数就不用设置-->
    <property>
          <name>dfs.tmp.dir</name>
          <value>/opt/hadoop-2.6.0-cdh5.15.0/tmp</value>
    </property>

配置好hdfs-site.xml后，在core-site.xml中加入以下代码，修改Hadoop的临时目录位置，对应hdfs-site.xml中的NameNode和DataNode路径，是它们所在目录的的父目录：

<property>
       <name>hadoop.tmp.dir</name>
       <value>/opt/hadoop-2.6.0-cdh5.15.0/tmp</value>
</property>

除了编辑Hadoop配置文件的方法，也可以使用cd /etc/default命令进入到rcS文件所在目录，然后用sudo vim rcS命令编辑该文件，可以看到有一行“TMPTIME=0”，意思是下次启动立刻删除/tmp下的缓存，可以删掉“#”号注释并改为正整数变为x天后删除，改为-1则为永远不删除缓存，因为Hadoop和HDFS文件缓存默认存在/tmp目录下：

在用hdfs namenode -format命令将HDFS格式化之后，利用start-all.sh（相当于start-dfs.sh和start-yarn.sh）启动hdfs和yarn等组件，但是报错说没有指定JAVA_HOME环境变量，然而用echo　$JAVA_HOME命令是可以返回Java所在目录的，这个环境变量其实存在，非常奇怪：

于是找到Hadoop安装目录下的/etc/hadoop目录，编辑里面的hadoop-env.sh，将里面的JAVA_HOME指向安装Java所在的绝对路径：

然后再试试start-all.sh命令，以及mr-jobhistory-daemon.sh start historyserver命令，这样就可以成功启动伪分布式Hadoop：

上面的步骤会使本机启动以下守护进程：一个namenode，一个辅助namenode，一个datanode(HDFS)，一个资源管理器，一个节点管理器(YARN）和一个历史服务器（MapReduce）。可以看到Hadoop安装目录下的logs目录里生成了一些日志文件，可以用于检查守护进程是否成功启动，如下所示：

或者，通过Web界面：在浏览器地址栏里输入http://localhost:50070/查看NameNode，在http://localhost:8088/查看resource manager，在http://localhost:19888/查看历史服务器，如下所示：

此外，用Java的jps命令也可以查看守护进程是否正在运行，如下所示：

其中NameNode、SecondaryNameNode和DataNode属于HDFS，ResourceManager和NodeManager属于YARN，要终止守护进程，则要反过来输入三个停止命令（后两条也可以用stop-all.sh代替），如下所示：

mr-jobhistory-daemon.sh stop historyserver
stop-yarn.sh
stop-dfs.sh

启动伪分布式“集群”之后，用hadoop fs -ls /命令可以查看HDFS中存在的文件目录，但是发现会报警告，显示“WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform… using builtin-java classes where applicable”，意思是hadoop不能加载{Hadoop安装目录}/lib/native里的本地库，警告不消除也能正常运行，但是略微拖慢运行速度，解决方法是在Ubuntu系统的/etc/profile文件以及CDH安装目录下的/etc/hadoop/hadoop-env.sh文件两处都加入三个环境变量：

export HADOOP_HOME=/opt/hadoop-2.6.0-cdh5.15.0
export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native
export　HADOOP_OPTS="-Djava.library.path=$HADOOP_HOME/lib:$HADOOP_COMMON_LIB_NATIVE_DIR"

然后再试试hadoop fs -ls /命令，就没有WARNING了，如下所示：

接着可以用hadoop fs -mkdir /input命令在HDFS上添加一个输入文件的目录，我在解决上面WARNING问题之前已经添加过，所以上图会显示有/input文件夹。

二、配置Intellij IDEA

伪分布式Hadoop启动之后，打开Intellij IDEA，新建一个工程，如下所示：

然后选择创建Maven工程，这是一个用于管理jar包的组件，本来一些Java程序需要依赖各种各样的jar包，需要自己去手动找到路径去导入，依赖大量jar包的时候手动一个个导入太过麻烦，Maven可以通过编辑一个叫pom.xml的配置文件来从Maven的代码库中自动下载所需要的jar包并配置依赖：

点击Next后，工程组名称和工程名称都可以随便写，然后点击Next，如下所示：

然后设置工程名称和所在目录，这里的Project name最好和ArtifactId一样，然后点击finish，如下所示：

创建工程后，在左侧工程目录菜单里找到pom.xml，如下所示：

对这个文件进行编辑，根据Cloudera的官方网址的指导（https://www.cloudera.com/documentation/enterprise/release-notes/topics/cdh_vd_cdh5_maven_repo.html）输入以下xml代码：

<?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.cloudera.hadoop</groupId>
    <artifactId>bigdata</artifactId>
    <version>1.0-SNAPSHOT</version>

    <repositories>
        <repository>
            <id>cloudera</id>
            <url>https://repository.cloudera.com/artifactory/cloudera-repos/</url>
            <releases>
                <enabled>true</enabled>
            </releases>
            <snapshots>
                <enabled>false</enabled>
            </snapshots>
        </repository>
    </repositories>

    <properties>
        <cdh.version>2.6.0-cdh5.15.0</cdh.version>
    </properties>

    <dependencies>
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-common</artifactId>
            <version>${cdh.version}</version>
            <scope>provided</scope>
        </dependency>
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-core</artifactId>
            <version>2.6.0-mr1-cdh5.15.0</version>
            <scope>provided</scope>
        </dependency>
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-hdfs</artifactId>
            <version>${cdh.version}</version>
            <scope>provided</scope>
        </dependency>
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-client</artifactId>
            <version>2.6.0-mr1-cdh5.15.0</version>
            <scope>provided</scope>
        </dependency>
    </dependencies>
</project>

pom.xml的dependency标签下可以加入想要导入的jar依赖包，groupId是工程组名称，artifactId是工程名称，version是版本，这三个信息唯一确定了要下载的jar包。

然后在左侧工程目录菜单栏里右键src/main/java文件夹，新建一个包(Package)，如下所示：

并在创建的wordcount2包下新建一个WordCount2类，写入如下代码：

package wordcount2;

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.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;

import java.io.IOException;
import java.util.StringTokenizer;

public class WordCount2 {
    public static class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable>{
        private final static IntWritable one = new IntWritable(1);
        private Text word = new Text();

        @Override
        protected void map(Object key, Text value, Context context) throws IOException, InterruptedException {
            StringTokenizer itr = new StringTokenizer(value.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();

        @Override
        protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
            int sum = 0;
            for (IntWritable val : values) {
                sum += val.get();
            }
            result.set(sum);
            context.write(key, result);
        }
    }
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
        Configuration conf = new Configuration();

        String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();

        if(otherArgs.length != 2){
            System.err.println("Usage: wordcount <in> <out>");
            System.exit(2);
        }

        Job job = new Job(conf, "word count2");
        job.setJarByClass(WordCount2.class);
        job.setMapperClass(TokenizerMapper.class);
        job.setReducerClass(IntSumReducer.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);

        FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
        FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));

        boolean flag = job.waitForCompletion(true);
        System.out.println("Succeed! " + flag);
        System.exit(flag ? 0 : 1);
        System.out.println();
    }
}

然后点击上面菜单栏的Run，点击Edit Configurations（在用命令行运行hadoop jar命令的时候，添加Application配置可跳过，该步骤是为了在Intellij IDEA中运行Hadoop调试），如下所示：

进入工程配置界面，点击左上角的加号，添加Application配置，如下所示：

然后在右侧，Name可以给这个配置起名，Main class用于设置运行时的主类，格式为“Package.Class”，在Program arguments栏里输入Hadoop任务的输入目录和输出目录，我这里输入的是伪分布式情况下输入和输出文件夹的URL，这两个目录地址要与core-site.xml配置文件中的fs.defaultFS属性对应，如下所示：

接着将Hadoop的配置文件放到工程目录下的src/main/resources文件夹下，如下所示：

然后就可以把写的Java代码编译成jar包，点击界面右侧的Maven Projects选项卡，再双击Lifecycle选项下的compile，执行完成后再双击package在左侧工程目录里生成一个jar包，或者可以在界面底部打开terminal运行mvn compile和mvn package命令也是同样的效果，如下所示：

然后把生成的jar包重命名为wordcount2.jar，复制到让自己方便的路径，我复制到了自己手动挂载的机械硬盘分区/mnt/sda6上。

接着，将Hadoop安装目录下的/etc/hadoop目录内所有xml文件都作为输入文件上传到HDFS的/input文件夹内，输入如下命令：

hadoop fs -put /opt/hadoop-2.6.0-cdh5.15.0/etc/hadoop/*.xml /input

上传完成后，用hadoop fs -ls /input命令查看刚才上传的xml文件，如下所示：

然后利用自己之前生成的jar包执行Hadoop任务，并从HDFS上的/input文件夹内读取输入文件进行处理，处理结果输出到/output文件夹。输入如下命令：

hadoop jar /mnt/sda6/wordcount2.jar wordcount2.WordCount2 /input /output

指定生成的jar包所在位置后，还要指定执行的是哪个包中的哪个类，以"Package.class"的格式写清楚，后面加上用于输入给任务的文件所在路径，以及处理任务完成后输出的结果文件所在路径。

就可以看到任务运行成功，如下所示：

三、处理输出结果

在Hadoop任务运行成功后，可以通过hadoop fs -ls /命令看到HDFS生成了/output文件夹，里面有输出结果文件，如下所示：

可以通过hadoop fs -cat /output/part-r-00000命令查看输出结果文件，如下所示：

如果需要把Hadoop处理结果从HDFS下载到本地，可以使用hadoop fs -get /output/part-r-00000 /mnt/sda6命令将结果文件下载到自己指定的目录下，如下所示：

当然，也可以通过图形界面来下载，在浏览器地址栏里输入http://localhost:50070并回车，在顶部菜单栏点击Utilities，下拉菜单里点击Browse the file system，如下所示：

进入Browse Directory界面后，点击右侧的output链接，或者在上面搜索栏输入/output并点击“Go!”，就可以进入/output目录，如下所示：

进入/output目录的界面后，点击右侧的part-r-00000链接，就会打开一个对话框，显示该文件的基本信息，上面有Download按钮可以下载该文件，如下所示：

所有的结果分析工作处理完之后，一定要记得用hadoop fs –rm –r /output命令删除/output目录及其包含的所有文件，否则执行下一个任务的时候，还存在输出目录会报错：“org.apache.hadoop.mapred.FileAlreadyExistsException: Output directory hdfs://localhost/output already exists”。如果之前没有修改NameNode和DataNode等HDFS组件的存储路径配置，第二次开机的时候也会自动删除/tmp/hadoop-用户名/下所有数据，包括输出文件夹也会被清除。