[Hadoop]基于Eclipse的Hadoop应用开发环境配置

1. 安装Eclipse
   下载Eclipse（点击进入下载），解压安装。我安装在/usr/local/software/目录下。

   

2. 在eclipse上安装hadoop插件

   下载hadoop插件（点击进入下载） 把插件放到eclipse/plugins目录下。

3. 重启eclipse，配置hadoop installation directory

   如果安装插件成功，打开Window–>Preferens，你会发现Hadoop Map/Reduce选项，在这个选项里你需要配置Hadoop installation directory。配置完成后退出。

   

4. 配置Map/Reduce Locations

   在Window–>Show View中打开Map/Reduce Locations。

   

   

   在Map/Reduce Locations中新建一个Hadoop Location。在这个View中，右键–>New Hadoop Location。在弹出的对话框中你需要配置Location name，如Hadoop1.0，还有Map/Reduce Master和DFS Master。这里面的Host、Port分别为你在mapred-site.xml、core-site.xml中配置的地址及端口。如：
   Map/Reduce Master

   192.168.239.130
   9001
   

   DFS Master

   192.168.239.130
   9000
   

   

   配置完后退出。点击DFS Locations–>Hadoop如果能显示文件夹(2)说明配置正确，如果显示”拒绝连接”，请检查你的配置。

   

5. 新建WordCount项目

   File—>Project，选择Map/Reduce Project，输入项目名称WordCount等。
   在WordCount项目里新建class，名称为WordCount，代码如下：

   package WordCount;
   
   import java.io.IOException;
   import java.util.StringTokenizer;
   import org.apache.hadoop.conf.Configuration;
   import org.apache.hadoop.conf.Configured;
   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;
   import org.apache.hadoop.util.Tool;
   import org.apache.hadoop.util.ToolRunner;
   
   
   
   public class WordCount extends Configured implements Tool{
       /**
        * 
        * @author root
        *
        */
       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);
               }// while
           }// map
       }// mapper
       /**
        * 
        * @author root
        *
        */
       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();
               }//for
   
               result.set(sum);
               context.write(key, result);
           }// reduce 
       }// reducer
       /**
        * 
        * @param args
        * @return
        * @throws Exception
        */
       public int run(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 name
           Job job = new Job(conf, "word count");
           // class 
           job.setJarByClass(WordCount.class);
           // mapper
           job.setMapperClass(TokenizerMapper.class);
           // combiner
           job.setCombinerClass(IntSumReducer.class);
           // reducer
           job.setReducerClass(IntSumReducer.class);
           // output key format
           job.setOutputKeyClass(Text.class);
           // outout value format
           job.setOutputValueClass(IntWritable.class);
           // input path
           FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
           // output path
           FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
   
           job.waitForCompletion(true);
   
           return job.isSuccessful() ? 0: 1;
       }
       /**
        * 
        * @param args
        * @throws Exception
        */
       public static void main(String[] args) throws Exception {
           int res = ToolRunner.run(new Configuration(), new WordCount(), args);
           System.exit(res);
       }
   }

6. 配置运行参数

   在弹出的Run Configurations对话框中，点Java Application，右键–>New，这时会新建一个application名为WordCount 配置运行参数，点Arguments，在Program arguments中输入“你要传给程序的输入文件夹和你要求程序将计算结果保存的文件夹”。

   

7. 点击Run，运行程序

   点击Run，运行程序，过段时间将运行完成，等运行结束后，查看运行结果，使用命令： hadoop dfs -ls wordcountOutput查看例子的输出结果，发现有两个文件夹和一个文件，使用命令查看part-r-00000文件， hadoop dfs -cat wordcountOutput/part-r-00000可以查看运行结果。

   

   也可以从Eclipse上查看运行结果：

   

<script type="text/javascript"> $(function () { $('pre.prettyprint code').each(function () { var lines = $(this).text().split('\n').length; var $numbering = $('<ul/>').addClass('pre-numbering').hide(); $(this).addClass('has-numbering').parent().append($numbering); for (i = 1; i <= lines; i++) { $numbering.append($('<li/>').text(i)); }; $numbering.fadeIn(1700); }); }); </script>