Hadoop运行jar包集群的HDFS存储上
引言
在大数据应用中，Hadoop是一个非常流行的框架，用于处理大规模数据集的分布式计算。其中，HDFS（Hadoop Distributed File System）是Hadoop的分布式文件系统，用于存储数据。本文将介绍如何在Hadoop集群上运行jar包，并将结果存储在HDFS中。
步骤一：编写MapReduce程序
首先，我们需要编写一个MapReduce程序。以下是一个简单的示例程序，用于计算输入文件中每个单词的频率。
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;
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();
Job job = Job.getInstance(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(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
}
步骤二：将程序打包成jar文件
在命令行中执行以下命令将程序打包成jar文件。
$ javac -classpath `hadoop classpath` WordCount.java
$ jar cf wc.jar WordCount*.class
步骤三：将输入文件上传到HDFS
在执行MapReduce程序之前，我们需要将输入文件上传到HDFS。假设我们的输入文件为input.txt，可以执行以下命令将其上传到HDFS。
$ hdfs dfs -mkdir input
$ hdfs dfs -put input.txt input/
步骤四：运行MapReduce程序
使用以下命令运行MapReduce程序。
$ hadoop jar wc.jar WordCount input/ output/
步骤五：从HDFS中获取输出结果
执行完MapReduce程序后，可以使用以下命令将结果从HDFS中获取到本地文件系统。
$ hdfs dfs -get output/ output
结论
通过以上步骤，我们成功地在Hadoop集群上运行了一个简单的MapReduce程序，并将结果存储在了HDFS中。在实际应用中，可以根据需要进行相应的扩展和优化。
序列图
下面是一个示例MapReduce任务的序列图，其中包含了Mapper、Reducer和HDFS的交互过程。
sequenceDiagram
participant Client
participant JobTracker
participant TaskTracker1
participant TaskTracker2
participant NameNode
participant DataNode1
participant DataNode2
Client->>JobTracker: 提交作业请求
JobTracker->>Client: 返回作业ID
Client->>JobTracker: 上传jar文件
JobTracker->>Client: 确认上传
Client->>JobTracker: 上传输入文件
JobTracker->>Client: 确认上传
Client->>JobTracker: 指定输出目录
JobTracker->>Client: 确认输出目录
Client->>JobTracker:
