云计算实验二手册,主要包罗四个部分,Hadoop的安装、Hadoop的设置、WordCount和KMeans。
一、Hadoop本体安装
实验使用操作系统Ubuntu22.04
1. 安装java
Hadoop 根本组件及其外围项目大多是基于 Java 的,要运行 Hadoop,我们必要在系统中安装 Java 运行时情况(JRE)。有多种 JRE 可供选择,我们使用 openjdk-11 作为 JRE。Hadoop 官方文档中分析白对 Java 版本的支持情况。Hadoop 框架使用 SSH 协议与本地(或远程计算机)进行通讯,我们必要在本地计算机中安装 SSH 服务器保卫步调。
- sudo apt install openjdk-11-jdk openssh-server -y
复制代码 2. 创建ssh密钥并添加到本身的本地计算机
Hadoop 通常运行于分布式情况中。在这种情况下,它使用 SSH 协议与本身(或其他服务器)进行通讯,为了可以或许设置 Hadoop 更安全地与服务器进行通讯,我们为本地情况 hadoop 用户生成公-私密钥对,以支持 SSH 中的密钥对认证:
- ssh-keygen -b 4096 -C "for hadoop use" # 为了方便这里可以直接一路回车,如果有需要可以自己按照提示修改
- ssh -p '22' 'localhost'
复制代码 上述命令生成带备注信息的长度为 4096 位的 RSA 密钥,并将密钥复制至本地计算机中,用于支持 SSH 密钥对认证方式。
这时间可以尝试使用ssh localhost,应该可以无密码登录。
3. 下载并解压hadoop
Hadoop 的各种发行版本通常从 Hadoop 官方网站的下载页面下载。
我们使用来自 Hadoop 官方网站的发行版本 3.3.6 举例。我们预备将干系发行版本安装至文件系统的 /opt 目录下。
首先从下载页面获得 Hadoop 的发行版文件:
- wget "https://dlcdn.apache.org/hadoop/common/hadoop-3.3.6/hadoop-3.3.6.tar.gz"
复制代码 如果以上官方链接无法访问或者速率较慢,可以使用以下命令替代:
- wget "https://mirrors.tuna.tsinghua.edu.cn/apache/hadoop/common/hadoop-3.3.6/hadoop-3.3.6.tar.gz"
复制代码 该压缩包较大,因此下载必要的时间可能较长。
下载好压缩包后,解压到/opt目录。
- sudo tar -zxvf hadoop-3.3.6.tar.gz -C /opt
复制代码 二、Hadoop 设置
Hadoop 并非是单个软件,而是一系列大数据存储及处置处罚的工具集合。以是,有必要针对常用的根本组件进行设置,以完成 Hadoop 情况的搭建。
1. 设置情况变量
安装 Hadoop 后,我们必要精确设置以下情况变量。可以将这些添加情况变量的命令添加至 ~/.bashrc 文件末尾,以避免每次登录时都必要执行,注意以下命令必要一次性复制和运行,不可以分多次:
- cat << 'EOF' >> ~/.bashrc
- export HADOOP_HOME=/opt/hadoop-3.3.6
- export HADOOP_INSTALL=$HADOOP_HOME
- export HADOOP_MAPRED_HOME=$HADOOP_HOME
- export HADOOP_COMMON_HOME=$HADOOP_HOME
- export HADOOP_HDFS_HOME=$HADOOP_HOME
- export YARN_HOME=$HADOOP_HOME
- export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native
- export PATH=$PATH:$HADOOP_HOME/sbin:$HADOOP_HOME/bin
- export HADOOP_OPTS="-Djava.library.path=$HADOOP_HOME/lib/native"
- EOF
复制代码 然后执行source ~/.bashrc使设置生效或者直接重启shell。
2. 设置Hadoop根本框架
接下来的Hadoop设置操作都必要以/opt/hadoop-3.3.6/etc/hadoop作为当前路径,另外注意以下命令同样必要一次性复制和运行。
设置Hadoop 有关 Java 运行时情况(JRE)的位置信息。Hadoop 框架的根本设置文件位于 ./hadoop-env.sh 中,只必要修改其中的 JAVA_HOME 行。如果你使用其他方式(比如非标准端口)通过 SSH 客户端连接到(本地)服务器,则必要额外修改 HADOOP_SSH_OPTS 行。
- cat << 'EOF' >> ./hadoop-env.sh
- export JAVA_HOME=/usr/lib/jvm/java-11-openjdk-amd64
- export HADOOP_SSH_OPTS="-p 22"
- EOF
复制代码 根据系统架构不同,Java 可执行文件的位置或名称是略有不同的。
如果不是/usr/lib/jvm/java-11-openjdk-amd64,必要根据现实修改。
3. 核心变量设置
Hadoop 生态的大多数组件采用 .xml文件的方式进行设置。它们采用了统一的格式:即将设置项填写在每个设置文件的 <configuration> 与 </configuration> 之间,每个设置项通过以下的方式呈现:
- <property>
- <name>配置项名称</name>
- <value>配置值</value>
- </property>
复制代码 首先必要修改./etc/hadoop/core-site.xml,我们必要设置fs.defaultFS为hdfs://localhost/,也就是说,必要把以下内容添加到./etc/hadoop/core-site.xml的<configuration> </configuration> 之间。
- <property>
- <name>fs.defaultFS</name>
- <value>hdfs://localhost/</value>
- </property>
复制代码 4. 设置 HDFS(Hadoop 文件系统)
为了支持Hadoop的运行,我们必要使用能支持分布式的文件系统,HDFS就是为了Hadoop使用的,你可以从这里找到HDFS的更多信息。
在使用 Hadoop 文件系统(HDFS)之前,我们必要显式设置 HDFS,以指定 NameNode 与 DataNode 的存储位置。我们操持将 NameNode 与 DataNode 存储于本地文件系统上,即存放于 ~/hdfs 中:
- mkdir -p ~/hdfs/namenode ~/hdfs/datanode
复制代码 然后,修改hdfs-site.xml,将以下内容放到该文件的<configuration> </configuration>之间。请注意必要更换其中的xxxx为你的ubuntu用户名
- <property>
- <name>dfs.replication</name>
- <value>1</value>
- </property>
- <property>
- <name>dfs.name.dir</name>
- <value>/home/xxxx/hadoop/namenode</value>
- </property>
- <property>
- <name>dfs.data.dir</name>
- <value>/home/xxxx/hadoop/datanode</value>
- </property>
复制代码 首次启动 Hadoop 情况之前,我们必要格式化 Namenode 节点数据,使用以下命令:
避免重复格式化
5. 设置 MapReduce(由 YARN 驱动)
MapReduce 是一种简朴的用于数据处置处罚的编程模子,YARN(Yet Another Resource Negotiator)是 Hadoop 的集群资源管理系统。
将以下内容放到mapred-site.xml的<configuration> </configuration>之间。
- <property>
- <name>mapreduce.framework.name</name>
- <value>yarn</value>
- </property>
- <property>
- <name>yarn.app.mapreduce.am.env</name>
- <value>HADOOP_MAPRED_HOME=/opt/hadoop-3.3.6/</value>
- </property>
- <property>
- <name>mapreduce.map.env</name>
- <value>HADOOP_MAPRED_HOME=/opt/hadoop-3.3.6/</value>
- </property>
- <property>
- <name>mapreduce.reduce.env</name>
- <value>HADOOP_MAPRED_HOME=/opt/hadoop-3.3.6/</value>
- </property>
复制代码 将以下内容放到yarn-site.xml的<configuration> </configuration>之间。
- <property>
- <name>yarn.nodemanager.aux-services</name>
- <value>mapreduce_shuffle</value>
- </property>
- <property>
- <name>yarn.resourcemanager.hostname</name>
- <value>localhost</value>
- </property>
复制代码 6. 启动Hadoop集群
使用以下命令:
- start-dfs.sh
- start-yarn.sh
- mr-jobhistory-daemon.sh start historyserver
复制代码 可能会出现ssh的提示Are you sure you want to continue connecting (yes/no/[fingerprint])?,直接yes就可以。
这将启动以下保卫进程:一个 namenode、一个辅助 namenode、一个 datanode(HDFS)、一个资源管理器、一个节点管理器(YARN)以及一个历史服务器(MapReduce)。为验证 Hadoop 干系服务启动乐成,可以使用jps命令。
你可以使用欣赏器访问该主机的 9870 端口,以查看 HFS 的干系情况,如果统统正常,应该能在欣赏器看到以下类似画面。
大功告成!此时hadoop根本的组件已经安装完成。如果你发现某些组件未按预期工作,你可以在 Hadoop 安装目录的 ./logs 下找到各服务对应的运行日记进行排查。
三、WordCount实验
1.安装maven
首先使用命令sudo apt-get install maven。
将设置文件复制到~/.m2目录:
- mkdir ~/.m2 && cp /etc/maven/settings.xml ~/.m2
复制代码 编辑~/.m2/settings.xml文件,将以下内容添加到<mirrors></mirrors>中间。
- <mirror>
- <id>alimaven</id>
- <name>aliyun maven</name>
- <url>https://maven.aliyun.com/nexus/content/groups/public/</url>
- <mirrorOf>central</mirrorOf>
- </mirror>
复制代码 2. 创建项目
使用以下命令,这将在当前文件夹创建一个workcount文件夹,请选择一个合适的路径来创建项目。
如果下载速率慢,确认依靠包下载路径是否为aliyun,如果不是则查抄~/.m2/settings.xml设置文件文件
- mvn archetype:generate -DarchetypeGroupId=org.apache.maven.archetypes -DgroupId=cn.edu.seu.ys -DartifactId=wordcount -DpackageName=cn.edu.seu.experiment -Dversion=1.0-SNAPSHOT -DinteractiveMode=false
复制代码 3. 编辑pom.xml
进入workcount文件夹,下面的操作可以直接使用vim或者gedit如许简朴的文本编辑器,或者为了方便也可以使用VSCode之类的文本编辑器或者IDEA之类的Java IDE。
编辑pom.xml,在<dependencies></dependencies>之间添添加如下内容:
::: details
- <dependency>
- <groupId>commons-cli</groupId>
- <artifactId>commons-cli</artifactId>
- <version>1.2</version>
- </dependency>
- <dependency>
- <groupId>commons-logging</groupId>
- <artifactId>commons-logging</artifactId>
- <version>1.2</version>
- </dependency>
- <dependency>
- <groupId>org.apache.hadoop</groupId>
- <artifactId>hadoop-mapreduce-client-jobclient</artifactId>
- <version>2.8.5</version>
- <scope>provided</scope>
- </dependency>
- <dependency>
- <groupId>org.apache.hadoop</groupId>
- <artifactId>hadoop-common</artifactId>
- <version>2.8.5</version>
- <scope>provided</scope>
- </dependency>
复制代码 在</dependencies>背面增加如下内容:
- <build>
- <plugins>
- <plugin>
- <groupId>org.apache.maven.plugins</groupId>
- <artifactId>maven-compiler-plugin</artifactId>
- <configuration>
- <source>1.7</source>
- <target>1.7</target>
- </configuration>
- </plugin>
- </plugins>
- </build>
复制代码 使用mvn clean install -DskipTests同步依靠,或者直接使用IDE。
新建src/main/java/cn/edu/seu/{你的姓名}/WordCount.java
内容如下,就是给出的word文档里面的原文没有修改,注意更换第一行的包名:
- package cn.edu.seu.liyaning;
- 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;
- import org.apache.hadoop.util.GenericOptionsParser;
- 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();
- String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
- if (otherArgs.length < 2) {
- System.err.println("Usage: wordcount <in> [<in>...] <out>");
- System.exit(2);
- }
- 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);
- for (int i = 0; i < otherArgs.length - 1; ++i) {
- FileInputFormat.addInputPath(job, new Path(otherArgs[i]));
- }
- FileOutputFormat.setOutputPath(job,
- new Path(otherArgs[otherArgs.length - 1]));
- System.exit(job.waitForCompletion(true) ? 0 : 1);
- }
- }
复制代码 :::
然后使用命令mvn clean install -Dmaven.test.skip=true打包,应该可以看到当前目录的target文件夹下多了一个wordcount-1.0-SNAPSHOT.jar文件。
4. 在HDFS中创建一个文本文件
- hdfs dfs -mkdir /txtdir # 创建文件夹
- hdfs dfs -ls / # 应该可以看到textdir这个文件夹
复制代码 在本地创建一个test.txt,随便写一些内容,原版实验手册中给出的文本内容如下:
- Long long ago, there is one cat that is expected at using the cat utility on Linux. One day, it saw a spring in the spring in spring. He is astonished and laughing to death.
- Years later, people mark the 9 May as the Dying Cat Linux Day to celebrate the people who is struggling at using Linux.
- Written by a people who loves cat.
- Please add your own student id and name here:
- 1845** Zhang Shan
复制代码 然后把这个文件放到hdfs中去:
- hdfs dfs -put test.txt /txtdir/
- hdfs dfs -ls /txtdir
复制代码 5. 使用Hadoop运行编译的jar文件
进入wordcount项目目录下,注意更换其中的文件真实路径以及包名:
- hadoop jar ./target/wordcount-1.0-SNAPSHOT.jar cn.edu.seu.ys.WordCount /txtdir/test.txt /txtdir/output/
复制代码 等待大概1分钟之后运行完毕,使用hdfs dfs -ls /miao/output命令可以看到有一个_SUCCESS文件和一个part-r-00000文件。
使用hdfs dfs -cat /txtdir/output/part-r-00000可以看到运行的结果。
Hadoop实验完成。
四、KMeans实验
1. 预备干系文件
首先解压KMeans.zip。
- unzip KMeans.zip
- cd KMeans/
复制代码 使用java -jar ProcessCorpus.jar将文本文件转化成词向量,该步调会要求你输入一些信息,可以按照以下内容输入:
Enter the directory where the corpus is located: 20_newsgroups
Enter the name of the file to write the result to: vectors
Enter the max number of docs to use in each subdirectory: 100
How many of those words do you want to use to process the docs? 10000
使用java -jar GetCentroids.jar初始化集群起始点,该步调会要求你输入一些信息,可以按照以下内容输入:
Enter the data file to select the clusters from: vectors
Enter the name of the file to write the result to: clusters
Enter the number of clusters to select: 20
然后把刚刚创建的文件复制到HDFS中:
- hdfs dfs -mkdir /data
- hdfs dfs -mkdir /clusters
- hdfs dfs -copyFromLocal vectors /data
- hdfs dfs -copyFromLocal clusters /clusters
复制代码 2. 构建项目
首先使用如下命令创建项目,请注意必要更换其中的ys为你的ubuntu用户名。
- mvn archetype:generate -DarchetypeGroupId=org.apache.maven.archetypes -DgroupId=cn.edu.seu.ys -DartifactId=kmeans_project -DpackageName=cn.edu.seu.ys -Dversion=1.0-SNAPSHOT -DinteractiveMode=false
复制代码 然后编辑pom.xml,操作方法同wordcount中的pom.xml。
再然后,把KMeans文件夹中,KMeans/MapRedKMeans下的所有文件复制到kmeans_project/src/main/java/cn/edu/seu/XXX/,可能根据必要修改以下命令:
- cp ./KMeans/MapRedKMeans/* ./kmeans_project/src/main/java/cn/edu/seu/ys/
复制代码 然后进入kmeans_project目录使用mvn clean install -Dmaven.test.skip=true构建项目,应该可以看到当前目录的target文件夹下多了一个kmeans-1.0-SNAPSHOT.jar文件。
3. 运行项目
使用命令提交到Hadoop运行:
- hadoop jar target/kmeans-1.0-SNAPSHOT.jar KMeans /data /clusters 3
复制代码 其中3是kmeans的迭代次数,可以本身定义,当然次数越多必要的时间可能也越久。
执行完毕后,使用命令将结果从HDFS拷贝回本地,方便后续查抄结果:
- hdfs dfs -copyToLocal /clustersXXX/part-r-00000 # 替换XXX为你的迭代次数
复制代码 4. 查抄结果
使用命令java -jar GetDistribution.jar运行查抄结果的jar文件。按照如下信息输入:
Enter the file with the data vectors: vectors
Enter the name of the file where the clusers are loated: part-r-00000
结果信息:
::: tip 参考链接
PeaceSheep’s blog 云计算实验二手册
在 Ubuntu 22.04 LTS 上搭建 Hadoop 情况
Hadoop官网
:::
免责声明:如果侵犯了您的权益,请联系站长,我们会及时删除侵权内容,谢谢合作!更多信息从访问主页:qidao123.com:ToB企服之家,中国第一个企服评测及商务社交产业平台。 |