为 HDInsight 上的 Apache Hadoop 开发 Java MapReduce 程序

项目
07/01/2024

了解如何使用 Apache Maven 创建基于 Java 的 MapReduce 应用程序，并使用 Azure HDInsight 中的 Apache Hadoop 运行它。

先决条件

Java 开发人员工具包 (JDK) 版本 8。
根据 Apache 要求正确安装的 Apache Maven。 Maven 是 Java 项目的项目生成系统。

配置开发环境

本文使用的环境是一台运行 Windows 10 的计算机。命令在命令提示符下执行，各种文件使用记事本进行编辑。针对环境进行相应的修改。

在命令提示符下，输入以下命令以创建工作环境：

IF NOT EXIST C:\HDI MKDIR C:\HDI
cd C:\HDI

创建 Maven 项目

输入以下命令，创建一个名为 wordcountjava 的 Maven 项目：
```
mvn archetype:generate -DgroupId=org.apache.hadoop.examples -DartifactId=wordcountjava -DarchetypeArtifactId=maven-archetype-quickstart -DinteractiveMode=false
```
此命令会创建一个目录，其名称（本示例中为 wordcountjava）由 artifactID 参数指定。该目录包含以下项：
- pom.xml - 项目对象模型 (POM)，其中包含用于生成项目的信息和配置详细信息。
- src\main\java\org\apache\hadoop\examples：包含应用程序代码。
- src\test\java\org\apache\hadoop\examples：包含应用程序的测试。

删除生成的示例代码。输入以下命令，删除生成的测试和应用程序文件 AppTest.java 与 App.java：

cd wordcountjava
DEL src\main\java\org\apache\hadoop\examples\App.java
DEL src\test\java\org\apache\hadoop\examples\AppTest.java

更新项目对象模型

有关 pom.xml 文件的完整参考，请参阅 https://maven.apache.org/pom.html。输入以下命令打开 pom.xml：

notepad pom.xml

添加依赖项

在 pom.xml 的 <dependencies> 节中添加以下文本：

<dependency>
    <groupId>org.apache.hadoop</groupId>
    <artifactId>hadoop-mapreduce-examples</artifactId>
    <version>2.7.3</version>
    <scope>provided</scope>
</dependency>
<dependency>
    <groupId>org.apache.hadoop</groupId>
    <artifactId>hadoop-mapreduce-client-common</artifactId>
    <version>2.7.3</version>
    <scope>provided</scope>
</dependency>
<dependency>
    <groupId>org.apache.hadoop</groupId>
    <artifactId>hadoop-common</artifactId>
    <version>2.7.3</version>
    <scope>provided</scope>
</dependency>

这会定义具有特定版本（在 <version> 中列出）的库（在 <artifactId> 中列出）。在编译时，会从默认 Maven 存储库下载这些依赖项。可使用 Maven 存储库搜索来查看详细信息。

<scope>provided</scope> 告诉 Maven 这些依赖关系不应与此应用程序一起打包，因为它们会在运行时由 HDInsight 群集提供。

重要

使用的版本应与群集上存在的 Hadoop 版本匹配。有关版本的详细信息，请参阅 HDInsight 组件版本控制文档。

生成配置

Maven 插件可用于自定义项目的生成阶段。此节用于添加插件、资源和其他生成配置选项。

将以下代码添加到 pom.xml 文件，然后保存并关闭该文件。此文本必须位于文件中的 <project>...</project> 标记内，例如 </dependencies> 和 </project> 之间。

<build>
    <plugins>
    <plugin>
        <groupId>org.apache.maven.plugins</groupId>
        <artifactId>maven-shade-plugin</artifactId>
        <version>2.3</version>
        <configuration>
        <transformers>
            <transformer implementation="org.apache.maven.plugins.shade.resource.ApacheLicenseResourceTransformer">
            </transformer>
        </transformers>
        </configuration>
        <executions>
        <execution>
            <phase>package</phase>
                <goals>
                <goal>shade</goal>
                </goals>
        </execution>
        </executions>
        </plugin>
    <plugin>
        <groupId>org.apache.maven.plugins</groupId>
        <artifactId>maven-compiler-plugin</artifactId>
        <version>3.6.1</version>
        <configuration>
        <source>1.8</source>
        <target>1.8</target>
        </configuration>
    </plugin>
    </plugins>
</build>

此部分将配置 Apache Maven 编译器插件和 Apache Maven 阴影插件。该编译器插件用于编译拓扑。该阴影插件用于防止在由 Maven 构建的 JAR 程序包中复制许可证。此插件用于防止 HDInsight 群集在运行时出现“重复的许可证文件”错误。将 maven-shade-plugin 用于 ApacheLicenseResourceTransformer 实现可防止发生此错误。

maven-shade-plugin 还会生成 uber jar，其中包含应用程序所需的所有依赖项。

保存 pom.xml 文件。

创建 MapReduce 应用程序

输入以下命令，以创建并打开新文件 WordCount.java。根据提示选择“是”，以创建新文件。
```
notepad src\main\java\org\apache\hadoop\examples\WordCount.java
```

将以下 Java 代码复制并粘贴到新文件中。然后关闭该文件。

package org.apache.hadoop.examples;

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

public class WordCount {

    public static class TokenizerMapper
        extends Mapper<Object, Text, Text, IntWritable>{

    private final static IntWritable one = new IntWritable(1);
    private Text word = new Text();

    public 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();

    public 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 Exception {
    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 count");
    job.setJarByClass(WordCount.class);
    job.setMapperClass(TokenizerMapper.class);
    job.setCombinerClass(IntSumReducer.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]));
    System.exit(job.waitForCompletion(true) ? 0 : 1);
    }
}

请注意，包名为 org.apache.hadoop.examples，类名为 WordCount。提交 MapReduce 作业时，会使用这些名称。

生成并打包应用程序

在 wordcountjava 目录中，使用以下命令来构建包含应用程序的 JAR 文件：

mvn clean package

该指令会清除任何以前构建的项目，下载任何尚未安装的依赖项，并构建和打包应用程序。

命令完成之后，wordcountjava/target 目录包含一个名为 wordcountjava-1.0-SNAPSHOT.jar 的文件。

注意

wordcountjava-1.0-SNAPSHOT.jar 文件是一种 uberjar，其中不仅包含 WordCount 作业，还包含该作业在运行时需要的依赖项。

上传 JAR 并运行作业 (SSH)

以下步骤使用 scp 将 JAR 复制到 Apache HBase on HDInsight 群集的主要头节点。然后使用 ssh 命令连接到群集并直接在头节点上运行示例。

将该 jar 上传到群集。将 CLUSTERNAME 替换为 HDInsight 群集名称，然后输入以下命令：
```
scp target/wordcountjava-1.0-SNAPSHOT.jar sshuser@CLUSTERNAME-ssh.azurehdinsight.cn:
```
连接到群集。将 CLUSTERNAME 替换为 HDInsight 群集名称，然后输入以下命令：
```
ssh sshuser@CLUSTERNAME-ssh.azurehdinsight.cn
```
在 SSH 会话中，使用以下命令运行 MapReduce 应用程序：
```
yarn jar wordcountjava-1.0-SNAPSHOT.jar org.apache.hadoop.examples.WordCount /example/data/gutenberg/davinci.txt /example/data/wordcountout
```
此命令启动 WordCount MapReduce 应用程序。输入文件是 /example/data/gutenberg/davinci.txt，输出目录是 /example/data/wordcountout。输入文件和输出均存储到群集的默认存储中。
作业完成后，使用以下命令查看结果：
```
hdfs dfs -cat /example/data/wordcountout/*
```
会收到包含单词和计数的列表，其值类似于以下文本：
```
zeal    1
zelus   1
zenith  2
```

后续步骤

在本文档中，学习了如何开发 Java MapReduce 作业。请参阅以下文档，了解使用 HDInsight 的其他方式。

通过