Hadoop作业提交分析(五)

  经过上一篇的分析,我们知道了Hadoop的作业提交目标是Cluster还是Local,与conf文件夹内的配置文件参数有着密切关系,不仅如此,其它的很多类都跟conf有关,所以提交作业时切记把conf放到你的classpath中。

  因为Configuration是利用当前线程上下文的类加载器来加载资源和文件的,所以这里我们采用动态载入的方式,先添加好对应的依赖库和资源,然后再构建一个URLClassLoader作为当前线程上下文的类加载器。

public static ClassLoader getClassLoader() {
ClassLoader parent
= Thread.currentThread().getContextClassLoader();
if (parent == null) {
parent
= EJob.class.getClassLoader();
}
if (parent == null) {
parent
= ClassLoader.getSystemClassLoader();
}
return new URLClassLoader(classPath.toArray(new URL[0]), parent);
}

  代码很简单,废话就不多说了。调用例子如下:

EJob.addClasspath("/usr/lib/hadoop-0.20/conf");
ClassLoader classLoader
= EJob.getClassLoader();
Thread.currentThread().setContextClassLoader(classLoader);

  设置好了类加载器,下面还有一步就是要打包Jar文件,就是让Project自打包自己的class为一个Jar包,我这里以标准Eclipse工程文件夹布局为例,打包的就是bin文件夹里的class。

public static File createTempJar(String root) throws IOException {
if (!new File(root).exists()) {
return null;
}
Manifest manifest
= new Manifest();
manifest.getMainAttributes().putValue(
"Manifest-Version", "1.0");
final File jarFile = File.createTempFile("EJob-", ".jar", new File(System
.getProperty(
"java.io.tmpdir")));

Runtime.getRuntime().addShutdownHook(
new Thread() {
public void run() {
jarFile.delete();
}
});

JarOutputStream out
= new JarOutputStream(new FileOutputStream(jarFile),
manifest);
createTempJarInner(out,
new File(root), "");
out.flush();
out.close();
return jarFile;
}

private static void createTempJarInner(JarOutputStream out, File f,
String base)
throws IOException {
if (f.isDirectory()) {
File[] fl
= f.listFiles();
if (base.length() > 0) {
base
= base + "/";
}
for (int i = 0; i < fl.length; i++) {
createTempJarInner(out, fl[i], base
+ fl[i].getName());
}
}
else {
out.putNextEntry(
new JarEntry(base));
FileInputStream in
= new FileInputStream(f);
byte[] buffer = new byte[1024];
int n = in.read(buffer);
while (n != -1) {
out.write(buffer,
0, n);
n
= in.read(buffer);
}
in.close();
}
}

  这里的对外接口是createTempJar,接收参数为需要打包的文件夹根路径,支持子文件夹打包。使用递归处理法,依次把文件夹里的结构和文件打包到Jar里。很简单,就是基本的文件流操作,陌生一点的就是Manifest和JarOutputStream,查查API就明了。

  好,万事具备,只欠东风了,我们来实践一下试试。还是拿WordCount来举例:

// Add these statements. XXX
File jarFile = EJob.createTempJar("bin");
EJob.addClasspath("/usr/lib/hadoop-0.20/conf");
ClassLoader classLoader =
EJob.getClassLoader();
Thread.currentThread().setContextClassLoader(classLoader);


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 job
= new Job(conf, "word count");
job.setJarByClass(WordCountTest.
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(otherArgs[0]));
FileOutputFormat.setOutputPath(job,
new Path(otherArgs[1]));
System.exit(job.waitForCompletion(
true) ? 0 : 1);

  Run as Java Application。。。!!!No job jar file set...异常,看来job.setJarByClass(WordCountTest.class)这个语句设置作业Jar包没有成功。这是为什么呢?

因为这个方法使用了WordCount.class的类加载器来寻找包含该类的Jar包,然后设置该Jar包为作业所用的Jar包。但是我们的作业 Jar包是在程序运行时才打包的,而WordCount.class的类加载器是AppClassLoader,运行后我们无法改变它的搜索路径,所以使用setJarByClass是无法设置作业Jar包的。我们必须使用JobConf里的setJar来直接设置作业Jar包,像下面一样:

((JobConf)job.getConfiguration()).setJar(jarFile);

  好,我们对上面的例子再做下修改,加上上面这条语句。

Job job = new Job(conf, "word count");
// And add this statement. XXX
((JobConf) job.getConfiguration()).setJar(jarFile.toString());

  再Run as Java Application,终于OK了~~

  该种方法的Run on Hadoop使用简单,兼容性好,推荐一试。:)

  本例子由于时间关系,只在Ubuntu上做了伪分布式测试,但理论上是可以用到真实分布式上去的。

     >>点我下载<<

 

  The end.

posted @ 2010-04-21 21:49  spork  阅读(...)  评论(... 编辑 收藏