Hadoop学习笔记之四:运行MapReduce作业做集成测试

李春春 2010-12-22

转载务必注明出处Taobao QA Team,原文地址:http://qa.taobao.com/?p=10633

引言通过本系列的前篇文章用MRUnit做单元测试介绍可以很容易对MapReduce进行单元测试,这很必要,可以较早的发现一些代码逻辑的问题。只有单元测试是不够的,我们需要对MapReduce任务进行集成测试,要进行集成测试,得先懂得如何将MapReduce 作业在hadoop集群中运行起来。

准备工作

以windows环境为例:

安装jdk,设置环境变量JAVA_HOME为jdk安装目录

安装Cygwin,安装时注意选择安装软件包openssh–Net类,安装完成将cygwin/bin加入环境变量path。

确认ssh。打开cygwin命令行,分别执行以下命令

安装sshd:$ssh-host-config

启动sshd服务:$netstartsshd

检查可登录localhost:$sshlocalhost

下载稳定的hadoop版本,点此选择下载,我选择的是0.20.2版本。

下载后解压,编辑conf/hadoop-env.sh,修改JAVA_HOME为jdk安装目录。

至此,Windows环境下的Hadoop的安装和配置完成,为了运行还需要打包MapReduce作业。我们用maven的assembly插件来将程序打包。

配置如下:
<build>
 <plugins>
   <plugin>
     <artifactId>maven-assembly-plugin</artifactId>
     <configuration>
       <descriptorRefs>
	<descriptorRef>jar-with-dependencies</descriptorRef>
       </descriptorRefs>
     </configuration>
   </plugin>
  </plugins>
</build>
 

在pom.xml里加入以上配置,运行mvn assembly:assembly命令就可以打包了。

单机运行

特点:

 单台机器、单线程运行、不需要启动hadoop进程,利于调试,但没有模拟hadoop集群多个进程的情况,只支持一个reducer。

运行方式:

$ bin/hadoop jar --config standalone path/xx.jar WordCount input output

注意点:

 用–config指定单机运行时的配置目录(示例中配置目录文件夹名为standalone,在0.20.2版本这个文件夹可以为空目录,不要别的配置文件)

WordCount为包含运行作业main函数的的类,如果有包名需要加上包名。

Input文件夹下放置输入的文件。

 output为输出的目录,在运行job前需保证该目录不存在,否则会报错。

伪分布式运行

特点:

 单台机器,启动hadoop所有进程(如NameNode, DataNode, TaskTracker, JobTracker, SecondaryNameNode),较好的模拟hadoop集群情况。

配置:

 conf/core-site.xml

<configuration>
 <property>
         <name>fs.default.name</name>
         <value>hdfs://localhost:9000</value>
     </property>
</configuration>
 

conf/hdfs-site.xml

<configuration>
     <property>
         <name>dfs.replication</name>
         <value>1</value>
     </property>
</configuration>
 

mapred-site.xml

<configuration>
  <property>
         <name>mapred.job.tracker</name>
         <value>localhost:9001</value>
     </property>
</configuration>
 运行:

 格式化分布式文件系统:$ bin/hadoop namenode –format

启动hadoop进程:$bin/start-all.sh

检查是否启动成功,可访问以下url

NameNode–http://localhost:50070/

JobTracker–http://localhost:50030/

如果不能访问,检查logs目录下的日志分析原因。

将输入文件复制到分布式文件系统:$bin/hadoopfs-putlocalinput

运行作业:$bin/hadoopjarpath/xx.jarWordCountinputoutput

检查输出:$bin/hadoopfs-catoutput/*

 停止hadoop进程:$ bin/stop-all.sh

完全分布式运行测试完全分布式运行需要利用多台机器,实现hadoop的分布式集群,通过高仿真环境进行集成测试。关于完全分布式运行测试环境搭建可见Cluster Setup

集成测试总结

在掌握了如何运行hadoop作业后,测试要做的事就是通过脚本/代码将这个过程自动化起来,一般流程是:

预设置(准备输入文件、启动hadoop进程等)->运行作业->输出结果跟预期结果的对比->报告导致失败的原因。

在运行集成测试时需要考虑几个问题:

集成环境的搭建:需要考虑机器资源,维护成本。

输入构造:在单元测试时我们可以很容易的构造一些小的键值对,其输出结果可以很好的预期,但在集成测试时小文件意义已经不大了,我们需要仿真的大批量的数据来发现程序的问题,仿真度越高,发现问题的可能性越大。

 输出分析: 我们面对的输入是仿真的海量数据,不可能做输出结果的精确预期,需要借助日志或对输出进行二次分析。在开发时需要考虑这些情况,将有用信息通过日志或输出的方式存储。在完全分布式模式运行,日志散落在各台机器上,如何有效获取这些日志集中起来做分析?这个我们可以借助Scribe工具。同样,输出结果也可能为海量数据,如何高效对此进行分析,这可能需要针对输出数据编写测试的MapReduce任务来分析结果。

相关推荐