Hadoop实战（一），单词计数（wordcount）

目的

• 通过特定Hadoop Demo实战，了解、学习、掌握大数据框架日常使用及尝试挑战大数据研发过程中遇到的挑战等。

场景描述

• 运用MapReduce 进行简单的单词计数统计。
• 实验 Hadoop 运行于虚拟机（VMWare Workstation）环境中：

• eclipse（个人熟练） 完成 mapper、reducer的设计与实现；
• maven进行项目管理构建。

项目结构

软件代码

• WCMapper

package hadoop;

import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

/**
 * @ClassName: WCMapper
 * @Description: TODO
 * @author kngines
 * @date 2018年3月17日
 */

public class WCMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
  
  // map方法的生命周期： 框架每传一行数据就被调用一次
  @Override
  protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
    
    String line = value.toString();  // 行数据转换为string
    String[] words = line.split(" ");  // 行数据分隔单词
    
    for (String word : words) {  // 遍历数组，输出<单词，1>
      context.write(new Text(word), new IntWritable(1));
    }
  }
}

• WCReducer

package hadoop;

import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

/**
 * @ClassName: WCReducer
 * @Description: TODO
 * @author kngines
 * @date 2018年3月17日
 */

public class WCReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
  
  //  生命周期：框架每传递进来一个kv 组，reduce方法被调用一次
  @Override
  protected void reduce(Text key, Iterable<IntWritable> values, Context context)
      throws IOException, InterruptedException {
    
    int count = 0;  // 定义一个计数器
    for (IntWritable value : values) { // 遍历所有v，并累加到count中
      count += value.get();
    }
    context.write(key, new IntWritable(count));
  }
}

• WCMain

package hadoop;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
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;

public class WCMain {

  private static String iPath = "hdfs://localhost:9000/wordcount/input/test.txt";
  private static String oPath = "hdfs://localhost:9000/wordcount/output/";

  /**
   * 1. 业务逻辑相关信息通过job对象定义与实现 2. 将绑定好的job提交给集群去运行
   */
  public static void main(String[] args) throws Exception {
    Configuration conf = new Configuration();
    Job wcjob = Job.getInstance(conf);

    wcjob.setJarByClass(WCMain.class);
    wcjob.setMapperClass(WCMapper.class);
    wcjob.setReducerClass(WCReducer.class);

    // 设置业务逻辑Mapper类的输出key和value的数据类型
    wcjob.setMapOutputKeyClass(Text.class);
    wcjob.setMapOutputValueClass(IntWritable.class);

    // 设置业务逻辑Reducer类的输出key和value的数据类型
    wcjob.setOutputKeyClass(Text.class);
    wcjob.setOutputValueClass(IntWritable.class);

    // 指定要处理的数据所在的位置
    FileSystem fs = FileSystem.get(conf);
    Path IPath = new Path(iPath);
    if (fs.exists(IPath)) {
      FileInputFormat.addInputPath(wcjob, IPath);
    }

    // 指定处理完成之后的结果所保存的位置
    Path OPath = new Path(oPath);
    fs.delete(OPath, true);
    FileOutputFormat.setOutputPath(wcjob, OPath);

    // 向yarn集群提交这个job
    boolean res = wcjob.waitForCompletion(true);
    System.exit(res ? 0 : 1);
  }
}

• POM文件

<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>hadoop</groupId>
  <artifactId>demo</artifactId>
  <version>0.0.1-SNAPSHOT</version>
  <packaging>jar</packaging>

  <properties>
    <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
  </properties>

  <dependencies>
    <dependency>
      <groupId>org.apache.hadoop</groupId>
      <artifactId>hadoop-common</artifactId>
      <version>2.6.0</version>
    </dependency>

    <dependency>
      <groupId>org.apache.hadoop</groupId>
      <artifactId>hadoop-hdfs</artifactId>
      <version>2.6.0</version>
    </dependency>

    <dependency>
      <groupId>jdk.tools</groupId>
      <artifactId>jdk.tools</artifactId>
      <version>1.6</version>
      <scope>system</scope>
      <systemPath>${JAVA_HOME}/lib/tools.jar</systemPath>
    </dependency>

    <dependency>
      <groupId>org.apache.hadoop</groupId>
      <artifactId>hadoop-mapreduce-client-core</artifactId>
      <version>2.6.0</version>
    </dependency>
    
    <dependency>
      <groupId>junit</groupId>
      <artifactId>junit</artifactId>
      <version>3.8.1</version>
      <scope>test</scope>
    </dependency>
  </dependencies>
</project>

问题总结

问题 A ：

• FileAlreadyExistsException

FileAlreadyExistsException: Output directory hdfs://localhost:9000/wordcount/output already exists

解决

• 代码逻辑判断（java）

// 指定处理完成之后的结果所保存的位置
Path OPath = new Path(oPath);
fs.delete(OPath, true);

• 手动删除Hadoop 文件目录

问题 B：

• SafeModeException
• 问题描述 & 原因分析

• 该问题可能会使 Hadoop运行任务一直卡在: INFO mapreduce.Job: Runing job。
• 由空间磁盘剩余不足导致。实验时，虚拟机根目录剩余空间不足10%，将新安装的一些软件包删除后，重新运行问题得到解决。

org.apache.hadoop.ipc.RemoteException(org.apache.hadoop.hdfs.server.namenode.SafeModeException): Cannot delete /benchmarks/TestDFSIO. Name node is in safe mode.  
Resources are low on NN. Please add or free up more resources then turn off safe mode manually. NOTE:  If you turn off safe mode before adding resources, the NN will immediately return to safe mode. Use "hdfs dfsadmin -safemode leave" to turn safe mode off.  

​​解决方式​​

• 离开安全模式

hdfs dfsadmin -safemode leave  

• 删除 LInux上 多余文件（实验中采取，简单有效）， 或者​​扩展虚拟机分区​​

其他知识

• ​​杀掉当前运行的 Hadoop 任务​​

hadoop job -list  # 列出当前运行所有 job

hadoop job -kill job_xx_xx  # 通过job_id 杀掉某个job任务

• ​​查找 Linux 系统上的 大文件​​

find . -type f -size +100M  # 查找100M以上的文件

df -hl  # 查看Linux 磁盘使用情况

Reference

• ​​官网 Hadoop Shell操作命令 FileSystem Shell​​
• ​​Java+大数据开发——Hadoop集群环境搭建(二)​​
• ​​源代码下载（不定期更新）​​