文/朱季謙
我最近使用四台Centos虛擬機搭建了一套分布式hadoop環境，簡單模擬了線上上的hadoop真實分布式集群，主要用於業余學習大數據相關體系。
其中，一台服務器作為NameNode，一台作為Secondary NameNode，剩下兩台當做DataNodes節點服務器，類似下面這樣一個架構——
| NameNode | Secondary NameNode | DataNodes | |
|---|---|---|---|
| master1(192.168.200.111) | √ | ||
| master2(192.168.200.112) | √ | ||
| slave1(192.168.200.117) | √ | ||
| slave2(192.168.200.115) | √ |
接下來,就是開始通過hadoop自帶的wordcount來統計一下文件當中的字符數量。
啟動hadoop集群后，在集群可用情況下，按照以下步驟：
一、進入到hadoop安裝目錄，創建一個測試文件example.txt
我的安裝目錄是：/opt/hadoop/app/hadoop/hadoop-2.7.5
[root@192 hadoop-2.7.5]# pwd
/opt/hadoop/app/hadoop/hadoop-2.7.5
新建一個example.txt，並隨機寫入一些字符：
aaa
bbb
cccc
dedef
dedf
dedf
ytrytrgtrcdscdscdsc
dedaxa
cdsvfbgf
uyiuyi
ss
xaxaxaxa
接着，在hdfs文件系統上新建一個input文件夾，用來存放example.txt文件——
[root@192 hadoop-2.7.5]# hdfs dfs -mkdir /input
然后，將example.txt復制到hdfs系統上的input目錄下——
[root@192 hadoop-2.7.5]# hdfs dfs -put example.txt /input
檢查一下，可以看到，example.txt文件已經在input目錄底下了——
[root@192 hadoop-2.7.5]# hdfs dfs -ls /input
Found 1 items
-rw-r--r-- 3 root supergroup 84 2021-10-20 12:43 /input/example.txt
這些准備工作做好后，就可以開始使用hadoop自帶的jar包來統計文件example.txt當中各字符的數量了。
二、運行wordcount對文件字符進行統計
直接在NameNode節點對應的服務器上執行——
[root@192 hadoop-2.7.5]# hadoop jar /opt/hadoop/app/hadoop/hadoop-2.7.5/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.5.jar wordcount /input /output
這行指令的大概意思是，分布式計算統計input目錄底下的文件中的字符數量，將統計結果reduce到output當中，故而，最后若執行沒問題，可以在output目錄下獲取到統計結果記錄。
我第一次執行時，發生了一個異常，即執行完后，日志運行到INFO mapreduce.Job: Running job: job_1631618032849_0002這一行時，就直接卡在了這里，沒有任何動靜了——
[hadoop@192 bin]$ hadoop jar /opt/hadoop/app/hadoop/hadoop-2.7.5/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.5.jar wordcount /input /output
21/10/20 10:43:29 INFO client.RMProxy: Connecting to ResourceManager at master1/192.168.200.111:8032
21/10/20 10:43:30 INFO input.FileInputFormat: Total input paths to process : 1
21/10/20 10:43:30 INFO mapreduce.JobSubmitter: number of splits:1
21/10/20 10:43:31 INFO mapreduce.JobSubmitter: Submitting tokens for job: job_1631618032849_0002
21/10/20 10:43:31 INFO impl.YarnClientImpl: Submitted application application_1631618032849_0002
21/10/20 10:43:31 INFO mapreduce.Job: The url to track the job: http://master1:8088/proxy/application_1631618032849_0002/
21/10/20 10:43:31 INFO mapreduce.Job: Running job: job_1631618032849_0002
百度了一番后，根據一些思路，最后將mapred-site.xml最開始的配置由
<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
</configuration>
改成這里——
<configuration>
<property>
<name>mapreduce.job.tracker</name>
<value>hdfs://master1:8001</value>
<final>true</final>
</property>
</configuration>
接着，重啟了hadoop集群，就正常了，日志信息就沒有卡頓，而是一步執行完成，打印以下的日志記錄——
過程如果沒有出現問題，就可以到最后一步，查看統計完的結果。
三、獲取統計結果
以上步驟執行完后，直接輸入指令查看output目錄下的信息，可以看到，里面生成了兩個文件——
[root@192 hadoop-2.7.5]# hdfs dfs -ls /output
Found 2 items
-rw-r--r-- 3 root supergroup 0 2021-10-20 12:47 /output/_SUCCESS
-rw-r--r-- 3 root supergroup 101 2021-10-20 12:47 /output/part-r-00000
part-r-00000文件是存放統計結果的，我們查看一下——
[root@192 hadoop-2.7.5]# hdfs dfs -cat /output/part-r-00000
aaa 1
bbb 1
cccc 1
cdsvfbgf 1
dedaxa 1
dedef 1
dedf 2
ss 1
uyiuyi 1
xaxaxaxa 1
ytrytrgtrcdscdscdsc 1
對比前面的example.txt文件，可以看到，當中dedf字符串是有兩個，其他都是1個，hadoop統計結果也確實如此。
以上，便是初步認識hadoop的一個小案例，接下來，我會在學習過程當中把值得分享的經驗都總結下來。