IDEA本地调试Map-Reduce程序

雨点打透心脏的1/2处 2023-07-25 08:53 25阅读 0赞

# 环境准备 #

## 安装Hadoop ##

访问 [Hadoop官网][Hadoop] ，下载Hadoop到Windows本地 ，本例中下载的是 hadoop-3.0.0.tar.gz 。

将 Hadoop 解压到合适的目录，并设置环境变量：

HADOOP_HOME=C:\DevTolls\hadoop-3.0.0

并在 Path 环境变量增加两项：

%HADOOP_HOME%\bin;%HADOOP_HOME%\sbin;

## 安装winutils插件 ##

访问 [winutils的Git项目地址 ][winutils_Git]，将下载的压缩包进行解压。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BlbmdqdW5sZWU_size_16_color_FFFFFF_t_70][]

根据你的 hadoop 版本，将对应的目录下的 hadoop.dll和winutils.exe 复制到 hadoop 的 \\bin 目录。

若缺少 winutils.exe 的情况下启动 MapReduce 作业会出现如下错误：

2020-04-13 18:47:37,788 WARN \[org.apache.hadoop.util.Shell\] - Did not find winutils.exe: \{\}

java.io.FileNotFoundException: Could not locate Hadoop executable: C:\\DevTolls\\hadoop-3.0.0\\bin\\winutils.exe -see https://wiki.apache.org/hadoop/WindowsProblems

# Map-Reduce项目 #

## 新建Maven项目 ##

打开 IDEA，进行如下操作新建一个Maven项目。

File ==> New ==> Project...，创建一个 Maven 工程，先设置好JDK，选择不使用模板（不需要勾选 Create from archetype），直接 Next 。 设置好 GroupId 、ArtifactId 和 Project name 完成项目创建。

## 引入Maven依赖 ##

修改 pom.xml 文件，添加 Hadoop 相关的依赖，根据自己的实际情况，选择合适的版本。

<?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.pengjunlee</groupId>
        <artifactId>wordcount-test</artifactId>
        <version>1.0-SNAPSHOT</version>
    
        <properties>
            <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
            
            <hadoop.version>3.0.0</hadoop.version>
        </properties>
    
        <dependencies>
            
            <dependency>
                <groupId>junit</groupId>
                <artifactId>junit</artifactId>
                <version>4.12</version>
            </dependency>
            <dependency>
                <groupId>org.apache.hadoop</groupId>
                <artifactId>hadoop-client</artifactId>
                <version>${hadoop.version}</version>
            </dependency>
            <dependency>
                <groupId>org.apache.hadoop</groupId>
                <artifactId>hadoop-common</artifactId>
                <version>${hadoop.version}</version>
            </dependency>
            <dependency>
                <groupId>org.apache.hadoop</groupId>
                <artifactId>hadoop-hdfs</artifactId>
                <version>${hadoop.version}</version>
            </dependency>
        </dependencies>
    
    
    </project>

## 编写代码  ##

### WordcountMapper ###

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;
    
    /**
     * KEYIN:默认情况下，是mr框架所读到的一行文本的起始偏移量，Long;
     * 在hadoop中有自己的更精简的序列化接口，所以不直接用Long，而是用LongWritable
     * VALUEIN:默认情况下，是mr框架所读到的一行文本内容，String;此处用Text
     * KEYOUT:是用户自定义逻辑处理完成之后输出数据中的key,在此处是单词，String；此处用Text
     * VALUEOUT，是用户自定义逻辑处理完成之后输出数据中的value，在此处是单词次数，Integer，此处用IntWritable
     * @author Administrator
     */
    public class WordcountMapper extends Mapper<LongWritable, Text, Text, IntWritable>{
        /**
         * map阶段的业务逻辑就写在自定义的map()方法中
         * maptask会对每一行输入数据调用一次我们自定义的map（）方法
         */
        @Override
        protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
    
            // 1 将maptask传给我们的文本内容先转换成String
            String line = value.toString();
    
            // 2 根据空格将这一行切分成单词
            String[] words = line.split(" ");
    
            // 3 将单词输出为<单词，1>
            for(String word:words){
                // 将单词作为key，将次数1作为value,以便于后续的数据分发，可以根据单词分发，以便于相同单词会到相同的reducetask中
                context.write(new Text(word), new IntWritable(1));
            }
        }
    }

###  WordcountReducer ###

import org.apache.hadoop.io.IntWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Reducer;
    
    import java.io.IOException;
    
    /**
     * KEYIN , VALUEIN 对应mapper输出的KEYOUT, VALUEOUT类型
     * KEYOUT，VALUEOUT 对应自定义reduce逻辑处理结果的输出数据类型 KEYOUT是单词 VALUEOUT是总次数
     */
    public class WordcountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
    
        /**
         * key，是一组相同单词kv对的key
         */
        @Override
        protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
    
            int count = 0;
    
            // 1 汇总各个key的个数
            for(IntWritable value:values){
                count +=value.get();
            }
    
            // 2输出该key的总次数
            context.write(key, new IntWritable(count));
        }
    }

###  WordcountDriver ###

package com.pengjunlee.wordcount;
    
    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.lib.input.FileInputFormat;
    import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
    
    /**
     * 相当于一个yarn集群的客户端，
     * 需要在此封装我们的mr程序相关运行参数，指定jar包
     * 最后提交给yarn
     * @author Administrator
     */
    public class WordcountDriver {
        public static void main(String[] args) throws Exception {
            // 1 获取配置信息，或者job对象实例
            Configuration configuration = new Configuration();
            // 8 配置提交到yarn上运行,windows和Linux变量不一致
    //        configuration.set("mapreduce.framework.name", "yarn");
    //        configuration.set("yarn.resourcemanager.hostname", "node22");
            Job job = Job.getInstance(configuration);
    
            // 6 指定本程序的jar包所在的本地路径
    //        job.setJar("/home/admin/wc.jar");
            job.setJarByClass(WordcountDriver.class);
    
            // 2 指定本业务job要使用的mapper/Reducer业务类
            job.setMapperClass(WordcountMapper.class);
            job.setReducerClass(WordcountReducer.class);
    
            // 3 指定mapper输出数据的kv类型
            job.setMapOutputKeyClass(Text.class);
            job.setMapOutputValueClass(IntWritable.class);
    
            // 4 指定最终输出的数据的kv类型
            job.setOutputKeyClass(Text.class);
            job.setOutputValueClass(IntWritable.class);
    
            // 5 指定job的输入原始文件所在目录
            FileInputFormat.setInputPaths(job, new Path(args[0]));
            FileOutputFormat.setOutputPath(job, new Path(args[1]));
    
            // 7 将job中配置的相关参数，以及job所用的java类所在的jar包， 提交给yarn去运行
    //        job.submit();
            boolean result = job.waitForCompletion(true);
            System.exit(result?0:1);
        }
    }

### log4j.properties ###

在 /resources 目录下添加 log4j.properties 配置。

log4j.rootLogger=INFO, stdout  
    log4j.appender.stdout=org.apache.log4j.ConsoleAppender  
    log4j.appender.stdout.layout=org.apache.log4j.PatternLayout  
    log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n  
    log4j.appender.logfile=org.apache.log4j.FileAppender  
    log4j.appender.logfile.File=target/spring.log  
    log4j.appender.logfile.layout=org.apache.log4j.PatternLayout  
    log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n

# 启动测试 #

## 模拟数据 ##

在项目根目录下新建一个 /input 文件夹，用来存放测试数据。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BlbmdqdW5sZWU_size_16_color_FFFFFF_t_70 1][]

demo.txt 内容如下：

hello world
    dog fish
    hadoop 
    spark
    hello world
    dog fish
    hadoop 
    spark
    hello world
    dog fish
    hadoop 
    spark

##  配置启动参数 ##

按照如下指引，新建一个启动配置。其中 Program arguments 中需指定输入样本数据目录和统计结果输出目录（必须是一个不存在的目录，否则会报错）。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BlbmdqdW5sZWU_size_16_color_FFFFFF_t_70 2][]

## 测试结果 ##

启动 Application ，运行完成之后项目根目录下会多出来一个 /output 目录，里面存放了程序的执行结果。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BlbmdqdW5sZWU_size_16_color_FFFFFF_t_70 3][]

part-r-00000文件内容如下：

dog	3
    fish	3
    hadoop	3
    hello	3
    spark	3
    world	3

[Hadoop]: https://archive.apache.org/dist/hadoop/core/
[winutils_Git]: https://github.com/4ttty/winutils
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BlbmdqdW5sZWU_size_16_color_FFFFFF_t_70]: /images/20230528/456fa22eb8cd4dbe9f44d399a150758f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BlbmdqdW5sZWU_size_16_color_FFFFFF_t_70 1]: /images/20230528/cf961b600df44f85a14c72253a7d33c4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BlbmdqdW5sZWU_size_16_color_FFFFFF_t_70 2]: /images/20230528/cd81d5fb940543989806a7c6477306ea.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BlbmdqdW5sZWU_size_16_color_FFFFFF_t_70 3]: /images/20230528/72a8cad96e7448a2bcb742aca0fb44f1.png