两种hadoop集群(CDH的和Apache的))在使用过程中遇到

在Win7上的eclipse中使用Apache Hadoop2.2.0对接CDH5.3的Hadoop2.5调试时,上传到svn上,这次运行的地方是正宗的Apache社区版本Hadoop2.2的集群上(公司有两种hadoop集群(CDH的和Apache的))在使用过程中遇到一下几个问题,特记于此:


问题清单:

修真门槛障碍描述
1           手写MapReduce中如何指定hadoop开启递归文件夹功能?
2            关于在Hadoop中使用配置文件,或者如何共享配置文件?
3            我在自己写的Mapper或者Reducer中使用Log4j记录的log究竟在哪里可以看到?4出现Connection Refused异常时,该如何解决?5如何启用hadoop的JobHistoryServer?





问题一:

默认的hadoop的inputpath的路径,是只能读取到一级的,也就是说你这个目录下只能放文件,不能在放目录了,如果你放了目录,那么hadoop就会抛出异常,说当前path不是一个文件,所以你可以开启递归读取的功能,在main方法中的驱动类中,加入代码如下:



FileInputFormat.setInputDirRecursive(job, true);//设置可以递归读取目录  
FileInputFormat.setInputDirRecursive(job, true);//设置可以递归读取目录






问题二:

这个问题在hadoop也比较常见,关于共享文件的配置,请参考,散仙以前的
http://qindongliang.iteye.com/blog/2038108文章

在这里,散仙扩展另外一个问题,关于如何在hadoop使用共享变量,比如初始化时,我有一个Map记录了一些公用的信息,在MapReduce的执行过程中,每个map或reduce方法,都有可能访问这个HashMap来获取一些信息,那么这个Map应该在什么时候初始化?

答案: 是在Hadoop的setup方法时,初始化才有效,如果你在main方法的第一行代码,就初始化了这个HashMap,那么在mapreduce过程中去访问这个变量是不会生效的,因为main方法启动jvm和Hadoop的jvm不是同一个jvm,所以就相当于刻舟求剑了,这一点需要注意下,只有在setup里面初始化的资源,才是和map或者reduce方法,共享同一个jvm




问题三:

关于如何在hadoop中,查看我们使用log4j记录的日志信息,请参考,散仙以前的http://qindongliang.iteye.com/blog/2038096文章

问题四:
出现Connection Refused异常时,如何解决? 这个问题,hadoop官网已经给了很详细的解释了,感兴趣的朋友,请参考这个链接:https://wiki.apache.org/hadoop/ConnectionRefused
出现这个问题的原因,一般不是程序代码的问题,而是hadoop的集群所在的linux的hosts出现了问题,关注点:
(1)检测linux的/etc/host文件的IP映射是否有问题
(2)SSH的无秘钥的登陆,是否出现问题
(3)hadoop的/etc/hadoop的配置文件,是否所有的节点都一致


问题五:

可能有的朋友,还不知道JobHistoryServer这个东东是干啥的,没关系,大家在使用hadoop时在8088的界面上,是否经常有history链接的页面打不开? 你猜的没错,这个server就是提供了一个hadoop基于Web页面查看log的一个http链接,它在hadoop的8088的界面上的超链接如下图:


两种hadoop集群(CDH的和Apache的))在使用过程中遇到

具体的配置和启动,参考如下代码:

sbin/mr-jobhistory-daemon.sh start historyserver  
  
#yarn-site.xml  
<property>  
    <name>mapreduce.jobhistory.address</name>  
    <value>h1:10020</value>  
</property>  
<property>  
    <name>mapreduce.jobhistory.webapp.address</name>  
    <value>h1:19888</value>  
</property>  
  <property>  
    <name>yarn.log-aggregation-enable</name>  
    <value>true</value>  
  </property>  
  <property>  
    <name>yarn.log-aggregation.retain-seconds</name>  
    <value>86400</value>  
  </property>  
  <property>  
    <name>yarn.log-aggregation.retain-check-interval-seconds</name>  
    <value>864000</value>  
  </property>  
  
  
$HADOOP_HOME/sbin/mr-jobhistory-daemon.sh stop historyserver  
stop-yarn.sh  
start-yarn.sh  
  
$HADOOP_HOME/sbin/mr-jobhistory-daemon.sh start historyserver  
sbin/mr-jobhistory-daemon.sh start historyserver

#yarn-site.xml
<property>
    <name>mapreduce.jobhistory.address</name>
    <value>h1:10020</value>
</property>
<property>
    <name>mapreduce.jobhistory.webapp.address</name>
    <value>h1:19888</value>
</property>
  <property>
    <name>yarn.log-aggregation-enable</name>
    <value>true</value>
  </property>
  <property>
    <name>yarn.log-aggregation.retain-seconds</name>
    <value>86400</value>
  </property>
  <property>
    <name>yarn.log-aggregation.retain-check-interval-seconds</name>
    <value>864000</value>
  </property>


$HADOOP_HOME/sbin/mr-jobhistory-daemon.sh stop historyserver
stop-yarn.sh
start-yarn.sh

$HADOOP_HOME/sbin/mr-jobhistory-daemon.sh start historyserver


比如,散仙在setup方法里,记录了一些log,那么我就可以通过这个链接地址,在web界面上看到:


两种hadoop集群(CDH的和Apache的))在使用过程中遇到





最后再补充一个知识点,如何跨集群拷贝HDFS文件:
方式一: distcp  可直接在一个HDFS集群上拷贝数据到另外一个HDFS集群上
方式二:hdfs dfs -fs hdfs://172.175.25.78 -copyFromLocal 本地要上传的目录  /user/目标目录   可以直接在别的机器本地磁盘上拷贝文件,直接到HDSF集群上,注意他们的SSH应该是通的!

相关推荐