Hadoop單點部署與案例開發（微博用戶數據分析）

一、環境搭建

1、Hadoop運行環境搭建

1.1 安裝虛擬機

（1）下載并安裝VMware虛擬機軟件。

（2）創建虛擬機，實驗環境虛擬機配置如下圖所示。

（3）安裝Ubuntu系統，安裝結果如下圖所示。

1.2  配置JDK環境

下載并安裝JDK，安裝結束后需對java環境進行配置，配置成功結果如下所示。

2、Hadoop安裝和部署

（1）創建Hadoop安裝文件夾，并切到到此路徑下。

（2）從 hadoop.apache.org 下載Hadoop 安裝文件，并復制文件到安裝Hadoop的文件夾中。下載地址如下圖所示，本次試驗選取較為穩定的最新版，即2.7.3版。

（3）解壓Hadoop文件。

（4）修改配置文件

下面來寫配置文件core-site.xml、hdfs-site.xml、hadoop-env.sh三個文件這三個文件都在~/hadoop/hadoop-2.7.3/etc/hadoop/下，在前兩個文件中的和中寫入如下內容。

第一個文件core-site.xml

請注意/home/ealon/hadoop/tmp文件夾要被替換為計算機當前的用戶目錄中的tmp文件夾沒有請創建。

第二個文件hdfs-site.xml

第三個文件hadoop-env.sh中找到如下行然后寫入內容。

接下來在系統環境變量中寫入Hadoop的環境變量gedit /etc/environment

#在文件的結尾""之內加上

:/home/ealon/hadoop/hadoop-2.7.3/bin

:/home/ealon/hadoop/hadoop-2.7.3/sbin

（5）重啟虛擬機

首先重啟系統，待開機后，輸入如下命令hadoop version，驗證Hadoop環境是否安裝成功。當看到屏幕上顯示Hadoop的版本號即說明單機模式已經配置完成。如下圖所示。

（6）啟動HDFS

通過使用偽分布模式，啟動HDFS服務。首先需對HDFS進行格式化處理。

顯示如下內容即成功格式化。

（7）啟動HDFS

（8）查看進程

運行jps命令。如看到屏幕上顯示如下內容即說明HDFS已經成功

（9）停止HDFS

通過以上操作，Hadoop環境就基本搭建完畢。

3、Hadoop-Eclipse-Plugin安裝與配置

3.1 插件安裝

要在 Eclipse 上編譯和運行 MapReduce 程序，需要安裝 hadoop-eclipse-plugin，可下載 Github 上的 hadoop2x-eclipse-plugin。

下載后，將 release 中的hadoop-eclipse-kepler-plugin-2.6.0.jar復制到 Eclipse 安裝目錄的 plugins 文件夾中，運行 eclipse -clean 重啟 Eclipse 即可。

unzip-qo ~/下載/hadoop2x-eclipse-plugin-master.zip -d ~/下載    # 解壓到 ~/下載中

sudocp ~/下載/hadoop2x-eclipse-plugin-master/release/hadoop-eclipse-plugin-2.6.0.jar/usr/lib/eclipse/plugins/    # 復制到 eclipse 安裝目錄的 plugins 目錄下

/usr/lib/eclipse/eclipse-clean    # 添加插件后需要用這種方式使插件生效

3.2 插件配置

在繼續配置前請確保已經開啟了 Hadoop。

啟動 Eclipse 后就可以在左側的Project Explorer中看到 DFS Locations（若看到的是 welcome 界面，點擊左上角的 x 關閉就可以看到了。

插件需要進一步的配置

第一步：選擇 Window 菜單下的 Preference。

打開Preference打開Preference

此時會彈出一個窗體，窗體的左側會多出 Hadoop Map/Reduce 選項，點擊此選項，選擇 Hadoop 的安裝目錄（如/usr/local/hadoop，Ubuntu不好選擇目錄，直接輸入就行）。

選擇 Hadoop 的安裝目錄選擇Hadoop 的安裝目錄

第二步：切換 Map/Reduce 開發視圖，選擇 Window 菜單下選擇 Open Perspective ->Other（CentOS 是 Window -> Perspective-> Open Perspective -> Other），彈出一個窗體，從中選擇 Map/Reduce 選項即可進行切換。

切換 Map/Reduce 開發視圖切換Map/Reduce 開發視圖

第三步：建立與 Hadoop 集群的連接，點擊 Eclipse軟件右下角的 Map/Reduce Locations 面板，在面板中單擊右鍵，選擇 New Hadoop Location。

建立與 Hadoop 集群的連接建立與Hadoop 集群的連接

在彈出來的 General 選項面板中，General 的設置要與 Hadoop 的配置一致。一般兩個 Host 值是一樣的，如果是偽分布式，填寫 localhost 即可，另外我使用的Hadoop偽分布式配置，設置 fs.defaultFS 為 hdfs://localhost:9000，則 DFS Master 的 Port 要改為 9000。Map/Reduce(V2) Master 的 Port 用默認的即可，Location Name 隨意填寫。

最后的設置如下圖所示：

Hadoop Location 的設置HadoopLocation 的設置

Advancedparameters 選項面板是對 Hadoop 參數進行配置，實際上就是填寫 Hadoop 的配置項(/usr/local/hadoop/etc/hadoop中的配置文件)，如我配置了 hadoop.tmp.dir ，就要進行相應的修改。但修改起來會比較繁瑣，我們可以通過復制配置文件的方式解決（下面會說到）。

總之，我們只要配置 General 就行了，點擊 finish，Map/Reduce Location 就創建好了。

3.3 在 Eclipse 中操作 HDFS 中的文件

配置好后，點擊左側 Project Explorer 中的 MapReduce Location （點擊三角形展開）就能直接查看 HDFS 中的文件列表了（HDFS 中要有文件，如下圖是 WordCount 的輸出結果），雙擊可以查看內容，右鍵點擊可以上傳、下載、刪除 HDFS 中的文件，無需再通過繁瑣的 hdfs dfs -ls 等命令進行操作了。

使用Eclipse查看HDFS中的文件內容

如果無法查看，可右鍵點擊 Location 嘗試 Reconnect 或重啟 Eclipse。

3.4 在 Eclipse 中創建 MapReduce 項目

點擊 File 菜單，選擇 New -> Project…:

創建Project

選擇 Map/ReduceProject，點擊 Next。

創建MapReduce項目

填寫 Projectname 為 WordCount 即可，點擊 Finish 就創建好了項目。

填寫項目名

此時在左側的Project Explorer 就能看到剛才建立的項目了。

項目創建完成

接著右鍵點擊剛創建的WordCount 項目，選擇 New -> Class

新建Class

需要填寫兩個地方：在 Package 處填寫org.apache.hadoop.examples；在 Name 處填寫 WordCount。

填寫Class信息

創建 Class 完成后，在 Project 的 src 中就能看到 WordCount.java 這個文件。將如下 WordCount 的代碼復制到該文件中。

package org.apache.hadoop.examples;
import java.io.IOException;
import java.util.StringTokenizer;
importorg.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;
importorg.apache.hadoop.mapreduce.lib.input.FileInputFormat;
importorg.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
importorg.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);
  }
}

3.5 通過 Eclipse 運行 MapReduce

在運行 MapReduce 程序前，還需要執行一項重要操作（也就是上面提到的通過復制配置文件解決參數設置問題）：將/usr/local/hadoop/etc/hadoop 中將有修改過的配置文件（如偽分布式需要 core-site.xml 和 hdfs-site.xml），以及 log4j.properties 復制到 WordCount 項目下的 src 文件夾（~/workspace/WordCount/src）中：

cp/usr/local/hadoop/etc/hadoop/core-site.xml ~/workspace/WordCount/src

cp/usr/local/hadoop/etc/hadoop/hdfs-site.xml ~/workspace/WordCount/src

cp/usr/local/hadoop/etc/hadoop/log4j.properties ~/workspace/WordCount/src

沒有復制這些文件的話程序將無法正確運行，本教程最后再解釋為什么需要復制這些文件。

復制完成后，務必右鍵點擊 WordCount 選擇 refresh 進行刷新（不會自動刷新，需要手動刷新），可以看到文件結構如下所示：

WordCount項目文件結構

點擊工具欄中的 Run 圖標，或者右鍵點擊 Project Explorer 中的 WordCount.java，選擇 Run As -> Run onHadoop，就可以運行 MapReduce 程序了。不過由于沒有指定參數，運行時會提示 “Usage: wordcount “，需要通過Eclipse設定一下運行參數。

右鍵點擊剛創建的 WordCount.java，選擇 Run As -> RunConfigurations，在此處可以設置運行時的相關參數（如果 Java Application 下面沒有 WordCount，那么需要先雙擊 Java Application）。切換到 “Arguments” 欄，在 Program arguments 處填寫 “input output” 就可以了。

設置程序運行參數

或者也可以直接在代碼中設置好輸入參數。可將代碼 main() 函數的 String[] otherArgs= new GenericOptionsParser(conf, args).getRemainingArgs(); 改為：

//String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();

String[]otherArgs=new String[]{"input","output"}; /* 直接設置輸入參數 */

設定參數后，再次運行程序，可以看到運行成功的提示，刷新 DFS Location 后也能看到輸出的 output 文件夾。

WordCount 運行結果

至此，你就可以使用 Eclipse 方便的進行 MapReduce程序的開發了。

二、實驗內容

通過網絡下載userdata.csv微博用戶數據，共有14388385條用戶數據，包含：用戶id，所在省份，性別，是否認證信息。數據截圖如下圖所示。

項目代碼結構如下圖所示：

1、用戶性別分布

Maper函數：

Reducer函數：

計算結果分布如下圖所示：

從圖中可以觀察到，微博用戶中女性所占比例較大，多余男性用戶。

2、用戶省份分布

該部分Maper函數、Reducer函數與性別統計算法相同，不再贅述，計算結果如下圖所示：

從圖中可以看出，廣東、北京、上海、江蘇、浙江等地微博用戶量較大。

3、用戶實名驗證分布

該部分Maper函數、Reducer函數與性別統計算法相同，不再贅述，計算結果如下圖所示：

從圖中可以看出，非實名用戶在微博用戶中占絕大部分。

4、主要省市男女比例分布

該部分Maper函數、Reducer函數與性別統計算法基本相同，不再贅述，計算結果如下圖所示：

各省市女性用戶數量均占所在省市總用戶數的一半以上。

三、總結

通過瀏覽控制臺和Web管理端輸出結果，算法執行過程未見明顯異常或報錯。控制臺輸出結果如下圖所示：

Web端面板統計結果如下圖所示：

任務執行結果統計如下圖所示：

結合水運行業實際需求，智慧港口建設作為我國港口轉型升級的重要途徑，其所涉及的關鍵技術就包含港口數據分析與處理。Hadoop技術在互聯網行業已廣泛應用，但在港口自動化、智能化建設中還未起到關鍵、核心作用。因此，大數據分析與挖掘技術在港口領域的深度應用，是港口發展的高級階段。對我國港口而言，通過打造智慧港口，優化提升港口基礎設施和管理模式，實現港口功能創新、技術創新和服務創新，已成為我國港口提高國際競爭力，完成轉型升級的重要途徑。通過對大數據技術在智慧港口中應用研究，是我國港口信息化積累的海量數據發揮其巨大優勢，為我國港口管理部門以及港口企業提供決策支撐，具有重要的顯示意義。