Opracowywanie programów MapReduce w języku Java dla usługi Apache Hadoop w usłudze HDInsight

Artykuł
06/22/2023

Dowiedz się, jak za pomocą narzędzia Apache Maven utworzyć aplikację MapReduce opartą na języku Java, a następnie uruchomić ją za pomocą usługi Apache Hadoop w usłudze Azure HDInsight.

Wymagania wstępne

Zestaw Java Developer Kit (JDK) w wersji 8.
Narzędzie Apache Maven prawidłowo zainstalowane zgodnie z apache. Maven to system kompilacji projektu dla projektów Java.

Konfigurowanie środowiska programowania

Środowisko używane w tym artykule było komputerem z systemem Windows 10. Polecenia zostały wykonane w wierszu polecenia, a różne pliki zostały edytowane za pomocą Notatnika. Odpowiednio zmodyfikuj środowisko.

W wierszu polecenia wprowadź poniższe polecenia, aby utworzyć środowisko robocze:

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

Tworzenie projektu Maven

Wprowadź następujące polecenie, aby utworzyć projekt Maven o nazwie wordcountjava:
```
mvn archetype:generate -DgroupId=org.apache.hadoop.examples -DartifactId=wordcountjava -DarchetypeArtifactId=maven-archetype-quickstart -DinteractiveMode=false
```
To polecenie tworzy katalog o nazwie określonej przez artifactID parametr (wordcountjava w tym przykładzie). Ten katalog zawiera następujące elementy:
- pom.xml — Model obiektów projektu (POM), który zawiera informacje i szczegóły konfiguracji używane do kompilowania projektu.
- src\main\java\org\apache\hadoop\examples: Zawiera kod aplikacji.
- src\test\java\org\apache\hadoop\examples: zawiera testy aplikacji.
Usuń wygenerowany przykładowy kod. Usuń wygenerowane pliki AppTest.javatestów i aplikacji, a App.java następnie wprowadź poniższe polecenia:
```
cd wordcountjava
DEL src\main\java\org\apache\hadoop\examples\App.java
DEL src\test\java\org\apache\hadoop\examples\AppTest.java
```

Aktualizowanie modelu obiektów projektu

Aby uzyskać pełną dokumentację pliku pom.xml, zobacz https://maven.apache.org/pom.html. Otwórz pom.xml plik, wprowadzając poniższe polecenie:

notepad pom.xml

Dodawanie zależności

W pom.xmlpliku dodaj następujący tekst w <dependencies> sekcji :

<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>

Definiuje wymagane biblioteki (wymienione w obszarze <artifactId>) z określoną wersją (wymienioną w <wersji>). W czasie kompilacji te zależności są pobierane z domyślnego repozytorium Maven. Aby wyświetlić więcej, możesz użyć wyszukiwania repozytorium Maven .

Polecenie <scope>provided</scope> informuje narzędzie Maven, że te zależności nie powinny być spakowane z aplikacją, ponieważ są one dostarczane przez klaster usługi HDInsight w czasie wykonywania.

Ważne

Używana wersja powinna być zgodna z wersją usługi Hadoop w klastrze. Aby uzyskać więcej informacji na temat wersji, zobacz dokument dotyczący przechowywania wersji składników usługi HDInsight .

Konfiguracja kompilacji

Wtyczki Maven umożliwiają dostosowanie etapów kompilacji projektu. Ta sekcja służy do dodawania wtyczek, zasobów i innych opcji konfiguracji kompilacji.

Dodaj następujący kod do pom.xml pliku, a następnie zapisz i zamknij plik. Ten tekst musi znajdować się wewnątrz <project>...</project> tagów w pliku, na przykład między </dependencies> i </project>.

<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>

Ta sekcja umożliwia skonfigurowanie wtyczki kompilatora Apache Maven i wtyczki Apache Maven Shade Plugin. Wtyczka kompilatora służy do kompilowania topologii. Wtyczka cieniowania służy do zapobiegania duplikowaniu licencji w pakiecie JAR utworzonym przez narzędzie Maven. Ta wtyczka służy do zapobiegania błędowi "zduplikowanych plików licencji" w czasie wykonywania w klastrze usługi HDInsight. Użycie wtyczki maven-shade-plugin z implementacją ApacheLicenseResourceTransformer uniemożliwia błąd.

Wtyczka maven-shade-plugin tworzy również plik jar uber, który zawiera wszystkie zależności wymagane przez aplikację.

Zapisz plik pom.xml.

Tworzenie aplikacji MapReduce

Wprowadź poniższe polecenie, aby utworzyć i otworzyć nowy plik WordCount.java. Wybierz pozycję Tak po wyświetleniu monitu, aby utworzyć nowy plik.
```
notepad src\main\java\org\apache\hadoop\examples\WordCount.java
```

Następnie skopiuj i wklej poniższy kod Java do nowego pliku. Następnie zamknij plik.

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);
    }
}

Zwróć uwagę, że nazwa pakietu to org.apache.hadoop.examples , a nazwa klasy to WordCount. Te nazwy są używane podczas przesyłania zadania MapReduce.

Kompilowanie i pakowanie aplikacji

wordcountjava W katalogu użyj następującego polecenia, aby skompilować plik JAR zawierający aplikację:

mvn clean package

To polecenie czyści wszystkie poprzednie artefakty kompilacji, pobiera wszystkie zależności, które nie zostały jeszcze zainstalowane, a następnie kompiluje i pakuje aplikację.

Po zakończeniu wordcountjava/target polecenia katalog zawiera plik o nazwie wordcountjava-1.0-SNAPSHOT.jar.

Uwaga

Plik wordcountjava-1.0-SNAPSHOT.jar jest uberjar, który zawiera nie tylko zadanie WordCount, ale także zależności, które zadanie wymaga w czasie wykonywania.

Przekazywanie pliku JAR i uruchamianie zadań (SSH)

Poniższe kroki umożliwiają scp skopiowanie pliku JAR do podstawowego węzła głównego bazy danych Apache HBase w klastrze usługi HDInsight. Polecenie ssh jest następnie używane do nawiązywania połączenia z klastrem i uruchamiania przykładu bezpośrednio w węźle głównym.

Przekaż plik jar do klastra. Zastąp CLUSTERNAME ciąg nazwą klastra usługi HDInsight, a następnie wprowadź następujące polecenie:
```
scp target/wordcountjava-1.0-SNAPSHOT.jar sshuser@CLUSTERNAME-ssh.azurehdinsight.net:
```
Połącz się z klastrem. Zastąp CLUSTERNAME ciąg nazwą klastra usługi HDInsight, a następnie wprowadź następujące polecenie:
```
ssh sshuser@CLUSTERNAME-ssh.azurehdinsight.net
```
W sesji SSH użyj następującego polecenia, aby uruchomić aplikację MapReduce:
```
yarn jar wordcountjava-1.0-SNAPSHOT.jar org.apache.hadoop.examples.WordCount /example/data/gutenberg/davinci.txt /example/data/wordcountout
```
To polecenie uruchamia aplikację MapReduce WordCount. Plik wejściowy to /example/data/gutenberg/davinci.txt, a katalog wyjściowy to /example/data/wordcountout. Zarówno plik wejściowy, jak i dane wyjściowe są przechowywane w domyślnym magazynie klastra.
Po zakończeniu zadania użyj następującego polecenia, aby wyświetlić wyniki:
```
hdfs dfs -cat /example/data/wordcountout/*
```
Powinna zostać wyświetlona lista wyrazów i zliczeń z wartościami podobnymi do następującego tekstu:
```
zeal    1
zelus   1
zenith  2
```

Następne kroki

W tym dokumencie przedstawiono sposób tworzenia zadania MapReduce w języku Java. Zapoznaj się z następującymi dokumentami, aby poznać inne sposoby pracy z usługą HDInsight.