Windows环境下Hadoop开发环境配置

Windows环境下Hadoop开发环境配置

一、 事先准备
1) Hadoop集群环境搭建
已经用三台虚拟机(操作系统为ubuntu 10.0.4)搭建完成一个hadoop分布式集群，分别是hadoop1: 192.168.201.104，hadoop2: 192.168.201.54和hadoop3: 192.168.201.100 ，其中hadoop1为namenode，其余为datanode。

2) windows安装JDK和eclipse
过程从略，需要注意应安装与hadoop集群所用JDK兼容的版本。本例中，hadoop集群安装的是64位的JDK-8.0.20，因此Windows下选择64位的JDK-8.0.65，eclipse版本为支持64位的Kepler Service Release 2。

3) hadoop安装包解压
将搭建hadoop集群的安装包拷贝并解压到windows开发机器的某个目录下，本例中的安装包为hadoop-2.6.1.tar.gz，解压到D:\hadoop-2.6.1目录。

4) hadoop for eclipse插件包下载
下载hadoop for eclipse插件。由于本例中hadoop集群为hadoop2，插件也必须是2.x版本。本例中插件包为：hadoop-eclipse-plugin-2.2.0。

二、 配置eclipse
1) 拷贝插件包
将插件包拷贝至eclipse安装目录的plugin目录下，然后重启eclipse。

2) 配置hadoop安装路径
打开"Window"--"Prefrences"，此时左侧会出现"Hadoop Map/Reduce"选项，将其配置为hadoop安装包解压后的目录。

 
3) 配置Map/Reduce Locations
打开"Window"--"Perspectives"--"Open Perspective"--"Other ..."，在弹出窗口中选择"Map/Reduce"，点击"OK"。
此时在下部中间的框内会有个"Map/Reduce Locations"的图标，点击上部右侧的小象图标，进入Map/Reduce Locations配置窗口：
其中的Location name可以填写任意名称，而Map/Reduce(V2) Master的Host、Port与hadoop集群的mapred-site.xml配置文件中的mapred.job.tracker一致，而DFS Master的Host、Port与hadoop集群的core-site.xml配置文件中的fs.defaultFS（或fs.default.name）一致。 点击"Finish"按钮，关闭窗口。此时如果左侧"Project Explorer"框中的"DFS Locations"下出现刚才填写的Location name且其下没有出现"Error ..."，表示配置成功。

三、 工程配置

1) 设置环境变量
在windows桌面，右键击"我的电脑"，再依次"属性"--"高级系统设置"--"环境变量"，增加新的环境变量HADOOP-HOME，其值与步骤2.2一致。设置完成后，重启eclipse。
如果忽略此步骤，将来会报“Failed to detect a valid hadoop home directory”错误

2) 拷贝winutils.exe和hadoop.dll

在网上下载winutils.exe和hadoop.dll，将前者拷贝到hadoop安装目录的bin子目录，将后者拷贝至C:\Windows\System32目录***意32位和64位的区别。
如果忽略winutils.exe，将来会报“Could not locate executable null\bin\winutils.exe in the Hadoop binaries”的错误；忽略hadoop.dll，将来会报“java.lang.UnsatisfiedLinkError: org. apache.hadoop.io.nativeio.NativeIO$Windows.access0……”的错误。

3) 新建Hadoop工程
打开"File"--"New"--"Project"，选择"Map/Reduce Project"，输入工程名。如果是第一次新建"Map/Reduce Project"，需要点击"Use Default Hadoop"--"Configure Hadoop Install directory"（与步骤2.2一致）或 干脆"Specify Hadoop library location"。
然后一步步"Next"，直至 "Finish"。

4) 导入 lib包
一般情况下不需要手工执行，创建工程后各jar包已自动加至build path。如果需要手工添加，相应jar包有：
D:/hadoop-2.6.1/share/hadoop/common下所有jar包，及里面的lib目录下所有jar包，

D:/hadoop-2.6.1/share/hadoop/hdfs下所有jar包，及里面lib下的jar包，
D:/hadoop-2.6.1/share/hadoop/mapreduce下所有jar包，及里面lib下的jar包，

D:/hadoop-2.6.1/share/hadoop/yarn下所有jar包，及里面lib下的jar包。

5) 生成log4j.properties文件
在工程的src目录下创建一个log4j.properties文件，可以直接从其它工程里或系统包（如Hibernate）里拷贝，否则可能将来无法显示日志信息。
如果电脑上安装了多个JDK（包括Websphere、Oracle等软件自带的JDK），需指定项目的编译环境，否则将来可能会报“java.lang.UnsupportedClassVersionError: JVMCFRE003 bad major version; class=map/CareMonths, offset=6”的类似错误。

方法是：在设置项目的Build Path时，指定步骤1.2中的JDK。

6) 修改集群配置文件的dfs.permission配置项
此步骤需要在hadoop集群上操作。修改hdfs-site.xml配置文件，在其中增加或修改配置项dfs.permission：
  <property>
    <name>dfs.permission</name>    

   <value>false</value> 

 </property>

必须注意：此步骤尽量限制在开发测试环境中进行，在正式的生产环境中如此设置会带来严重安全问题。

7) 在eclipse中运行

右键点击项目，选择"Run AS ..."--"Run on Hadoop"，从搜索到的列表中找到自己编写的应用程序，再点击Ok。
正常情况下，自此工程应该可以提交到hadoop集群去执行，但实际上也可能不成功。此时的一个变通方法是修改hadoop的源代码。下载Hadoop 2.6.1的源码包并解压到本地，将其中的hadoop-common-project\hadoop-common\src\main\java\org\apache\hadoop\io\ nativeio\nativeIO.java复制到工程中（包名为org.apache.hadoop.io.nativeio），修改其中的Windows.access方法，将原来557行的代码注释掉，改为return true。

如忽略此步骤，会报告“ava.lang.UnsatisfiedLinkError: org.apache.hadoop.io.nativeio. NativeIO$Windows.access0……”的错误（同步骤3.2中缺少hadoop.dll的情形一样）。

四、 在集群中执行

上述步骤可以实现将一个作业提交到hadoop集群执行，但一般只能用小规模数据进行测试，用于查找作业执行过程中暴露出的问题。

但最终作业还是应以jar包形式在hadoop集群执行，有两种方式：

1) 方式一
用eclipse导出jar包，上传到hadoop集群平台后执行： hadoop jar XXX.jar YYY
其中的第三个参数为上传的jar包名称，而第四个参数为带有main方法的class名，通常XXX与YYY相同。
调试时，java文件可能经常修改，此方式会显得很费时。但在生产环境中，此方式是最适用的。

2) 方式二
将java文件上传到hadoop集群，先进行编译（事先创建classes子目录）：
javac -classpath $HADOOP_HOME/share/hadoop/common/hadoop-common-2.6.1.jar: $HADOOP_HOME/share/hadoop/mapreduce/hadoop-mapreduce-client-core-2.6.1.jar: $HADOOP_HOME /share/hadoop/common/lib/commons-cli-1.2.jar -d ./classes XXX.java
然后将所有class文件组装成jar包：
$JAVA_HOME/bin/jar -cvf  XXX.jar -C ./classes/ . 最后是执行，与方式一相同： hadoop jar XXX.jar YYY
此方式在调试时相对更适用。