win7下安装hadoop 2.6.0 的eclipse插件并编写运行WordCount程序

简介:

win7 64位下安装hadoop的eclipse插件并编写运行WordCount程序

环境:

win7 64位

hadoop-2.6.0


步骤:


1、下载hadoop-eclipse-plugin-2.6.0.jar包

2、把hadoop-eclipse-plugin-2.6.0.jar放到eclipse安装目录下的plugins目录下

3、打开eclipse发现左边多出来一个DFS Locations

wKiom1UveVKBuFO3AAC8GNRvicg978.jpg

4、在win7上解压hadoop-2.6.0。

5、下载hadoop.dll、winutils.exe等文件。

   根据你的hadoop版本下载相应的文件,我们用的是2.6所以要求支持hadoop2.6的(低版本的hadoop.dll会报错),然后拷贝下载文件到hadoop的bin目录,如果有已存在的文件直接跳过就行,不用覆盖原来的bin目录下的文件

说明:这一步非常重要,不然你运行项目时会报各种异常

6、设置Window->Prefrences->Hadoop Map/Reduce的installation directory为你解压的hadoop目录。

wKiom1UvefShRuWrAAEgA2bQv1k850.jpg


7、显示Map/Reduce选项卡。

选择Window->Open Perspective->Other->Map/Reduce

wKiom1UvfUKwuXCZAAKmm2vOMzo531.jpg

    

8、创建hdfs连接。

右键单击Map/Reduce Locations选项卡 选择新建


wKiom1UvfbqTBAqbAACyeTyLLm8352.jpg

9、弹出配置

这里面的Host、Port分别为你在mapred-site.xml、core-site.xml中配置的地址及端口

wKiom1Uvfm2jWEnnAAHZwW6lU9I956.jpg


10、查看是否连接成功,是否可以看到hdfs上的文件

wKioL1UvgNvhf_NPAABE-kMjnQs954.jpg


11、创建mapreduce程序

wKiom1Uvf_jzPRLrAAE8XkQ518Q778.jpg


12、下一步 填写项目名称OK。

13、如果自动导入了hadoop的jar包建议全部删除(因为hadoop-2.6.0不同目录下会有好多相同的jar包)都导进去就有重复的了。

14、搜索hadoop-2.6.0目录下所有的jar包拷贝到自己新建的一个目录,有重复的略过,然后把所有的jar包导入项目中。

15、编写wordcount程序新建一个class,内容如下:

package hdWordCount;

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> <out>");

   System.exit(2);

  }

  Job job = new Job(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);

  FileInputFormat.addInputPath(job, new Path(otherArgs[0]));

  FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));

  System.exit(job.waitForCompletion(true) ? 0 : 1);
 }
}


16、右键run as 选择配置 ,配置参数

wKiom1UvgSvgb4bpAAG8eTRqS9A813.jpg一个为输入目录 一个为输出目录 (输出目录不能存在)


17、右键run as ,run on hadoop 完成 ,查看 输出目录文件内容

18、完成!










本文转自 yntmdr 51CTO博客,原文链接:http://blog.51cto.com/yntmdr/1633528,如需转载请自行联系原作者
目录
相关文章
|
1月前
|
Java Android开发
Eclipse 运行程序
Eclipse 运行程序
27 2
|
1月前
|
Java Android开发
Eclipse 运行配置(Run Configuration)
Eclipse 运行配置(Run Configuration)
40 1
|
2月前
|
SQL 分布式计算 Hadoop
Hadoop-12-Hive 基本介绍 下载安装配置 MariaDB安装 3台云服务Hadoop集群 架构图 对比SQL HQL
Hadoop-12-Hive 基本介绍 下载安装配置 MariaDB安装 3台云服务Hadoop集群 架构图 对比SQL HQL
81 3
|
4月前
|
分布式计算 资源调度 Hadoop
centos7二进制安装Hadoop3
centos7二进制安装Hadoop3
|
4月前
|
分布式计算 Ubuntu Hadoop
在Ubuntu 16.04上如何在独立模式下安装Hadoop
在Ubuntu 16.04上如何在独立模式下安装Hadoop
41 1
|
2月前
|
分布式计算 Kubernetes Hadoop
大数据-82 Spark 集群模式启动、集群架构、集群管理器 Spark的HelloWorld + Hadoop + HDFS
大数据-82 Spark 集群模式启动、集群架构、集群管理器 Spark的HelloWorld + Hadoop + HDFS
184 6
|
2月前
|
分布式计算 资源调度 Hadoop
大数据-80 Spark 简要概述 系统架构 部署模式 与Hadoop MapReduce对比
大数据-80 Spark 简要概述 系统架构 部署模式 与Hadoop MapReduce对比
78 2
|
1天前
|
存储 分布式计算 大数据
Flume+Hadoop:打造你的大数据处理流水线
本文介绍了如何使用Apache Flume采集日志数据并上传至Hadoop分布式文件系统(HDFS)。Flume是一个高可用、可靠的分布式系统,适用于大规模日志数据的采集和传输。文章详细描述了Flume的安装、配置及启动过程,并通过具体示例展示了如何将本地日志数据实时传输到HDFS中。同时,还提供了验证步骤,确保数据成功上传。最后,补充说明了使用文件模式作为channel以避免数据丢失的方法。
19 4
|
1月前
|
存储 分布式计算 Hadoop
数据湖技术:Hadoop与Spark在大数据处理中的协同作用
【10月更文挑战第27天】在大数据时代,数据湖技术凭借其灵活性和成本效益成为企业存储和分析大规模异构数据的首选。Hadoop和Spark作为数据湖技术的核心组件,通过HDFS存储数据和Spark进行高效计算,实现了数据处理的优化。本文探讨了Hadoop与Spark的最佳实践,包括数据存储、处理、安全和可视化等方面,展示了它们在实际应用中的协同效应。
110 2
|
1月前
|
存储 分布式计算 Hadoop
数据湖技术:Hadoop与Spark在大数据处理中的协同作用
【10月更文挑战第26天】本文详细探讨了Hadoop与Spark在大数据处理中的协同作用,通过具体案例展示了两者的最佳实践。Hadoop的HDFS和MapReduce负责数据存储和预处理,确保高可靠性和容错性;Spark则凭借其高性能和丰富的API,进行深度分析和机器学习,实现高效的批处理和实时处理。
74 1

推荐镜像

更多
下一篇
DataWorks