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！

两种hadoop集群（CDH的和Apache的））在使用过程中遇到

相关推荐