目录

引言：

环境：

前提：

实现:

测试

结语：

问题

引言：

        分布式课程要求使用IDE（IDEA、Eclipse）来编写程序直接对Hadoop集群进行文件操作，目前关于IDEA连接Hadoop集群的教程，良莠不齐，根据多个教程完成了IDEA连接Hadoop集群。现在将完整的流程陈列如下。

        如果觉得文章组织形式不好，或者有看不懂的地方请给我留言。

环境：

        windows10 （IDEA 2021.1.3）

        VMware 16 workstation pro（安装可以搜教程，比较容易）

        Linux Server（Hadoop-2.7.7集群 1 master 3 slaves）

集群搭建可以看Hadoop集群搭建（超级详细）_阮哈哈哈哈哈的博客-CSDN博客

idea连接Hadoop集群可以看idea连接本地虚拟机Hadoop集群运行wordcount - 徐春晖 - 博客园 (cnblogs.com)

前提：

       1.通过虚拟机完成了完全分布式Hadoop集群的搭建，在master节点中使用start-all.sh启动Hadoop集群，并使用jps得到下面的输出，表示Hadoop集群搭建成功。

        当然也可以通过Hadoop提供的web界面查看，一般来说我们在浏览器中输入http://192.168.xx.101:50070访问。（注意：有的时候我们确实能够跳转到该界面，但是我们还需要查看datanode是否正常运行，因为存在这样的情况，datanode配置失败，但是Hadoop集群也能成功启动，但是后面的文件操作是无法正常运行的）

        点击Datanodes出现上面的界面表示配置好了Hadoop集群。

        2.安装好了IDEA开发工具

实现:

        在window上配置好Hadoop

        1.下载hadoop-2.7.7.tar.gz文件到window。各版本Hadoop，我选择的是2.7.7

Hadoop是跨平台的，不用担心Linux与windows不兼容，但是需要注意的是在hadoop-2.7.7/etc/hadoop/hadoop-env.sh中JAVA_HOME需要修改为window下jdk的路径。       

        2. 选择一个空目录将hadoop-2.7.7.tar.gz解压

        

        3. 将hadoop-2.7.7添加到环境变量中

变量名：HADOOP_HOME

变量值：E:\xx\xx\xx\hadoop-2.7.7 （先看下面的图再复制）

%JAVA_HOME%\bin

%JAVA_HOME%\jre\bin（先看下面的图再复制）

        4.使用命令行查看环境变量是否配置成功

hadoop version

        5.安装jdk（JDK 8 所有版本）

        解压到目录中，添加环境变量（和Hadoop配置相似，可以上去再看一下）

变量名：JAVA_HOME

变量值：E:\ProgramSoftware\java\JAVAHOME\jdk1.8.0_162

变量值：%JAVA_HOME%\bin

变量值：%JAVA_HOME%\jre\bin

        使用java -version、javac验证（注意上面bin以及\jre\bin都要配置，不然会出现hadoop找不到JAVA_HOME的问题）

        6. 将winutil.exe放置到hadoop-2.7.7\bin\目录下面。(wintil.ext下载，GitHub中选一个比自己hadoop版本相同或者说高一点的版本)

        7. 将winutil.exe以及hadoop-2.7.7\bin\hadoop.dll放置到C:\Windows\System32中

        8. 使用idea打开一个空的目录

        9. 添加maven，点击Add Framwork Support 

        添加maven

        添加成功后会出现main与test

        10.配置maven，将Linux虚拟机中hadoop-2.7.7\etc\core-site.xml与hadoop-2.7.7\etc\hdfs-site.xml复制到resource下（可以通过log4j.properties配置控制台日志的输出等级，可以自己上网查询其他的输出等级策略）

log4j.rootLogger=debug,stdout,R 
log4j.appender.stdout=org.apache.log4j.ConsoleAppender 
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout 
log4j.appender.stdout.layout.ConversionPattern=%5p - %m%n 
log4j.appender.R=org.apache.log4j.RollingFileAppender 
log4j.appender.R.File=mapreduce_test.log 
log4j.appender.R.MaxFileSize=1MB 
log4j.appender.R.MaxBackupIndex=1 
log4j.appender.R.layout=org.apache.log4j.PatternLayout 
log4j.appender.R.layout.ConversionPattern=%p %t %c - %m%n 
log4j.logger.com.codefutures=DEBUG

       

        11. 配置pom.xml

        初始状态

        添加下方的内容到pom.xml中，添加后idea会开始猛烈地加载需要的资源文件，下载完成后原先的红色pom.xml会变成蓝色（注意：hadoop的版本要和自己的版本一样）

<properties>
    <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
    <maven.compiler.source>1.8</maven.compiler.source>
    <maven.compiler.target>1.8</maven.compiler.target>
    <hadoop.version>2.7.7</hadoop.version>
</properties>

<dependencies>
    <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-common</artifactId>
        <version>${hadoop.version}</version>
    </dependency>

    <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-hdfs</artifactId>
        <version>${hadoop.version}</version>
    </dependency>

    <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-mapreduce-client-core</artifactId>
        <version>${hadoop.version}</version>
    </dependency>

    <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-mapreduce-client-jobclient</artifactId>
        <version>${hadoop.version}</version>
    </dependency>
    <dependency>
        <groupId>commons-cli</groupId>
        <artifactId>commons-cli</artifactId>
        <version>1.3.1</version>
    </dependency>
    <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-client</artifactId>
        <version>${hadoop.version}</version>
    </dependency>
</dependencies>

测试

        通过上面的操作，idea连接Hadoop集群基本实现了，现在测试

        1. 在java中创建一个java文件

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.log4j.BasicConfigurator;

import java.io.IOException;

public class HdfsTest {

    public static void main(String[] args) {
        //自动快速地使用缺省Log4j环境。
        BasicConfigurator.configure();
        try {

            // 改成你自己的ip以及对应的文件所在的路径
            String filename = "hdfs://192.168.47.131:9000/words.txt";
            Configuration conf = new Configuration();
            FileSystem fs = null;
            fs = FileSystem.get(conf);
            if (fs.exists(new Path(filename))){

            // 在控制台搜索the file is exist 或者not exist 根据你的情况，该文件如果存在就会打

            // the file is exist 不存在就会打印 the file is not exist 
                System.out.println("the file is exist");
            }else{
                System.out.println("the file is not exist");
            }
        } catch (IOException e) {
            e.printStackTrace();
        }
    }

}

        此时大概率是没有配置jdk的，按照下图进行配置

        2. 配置成功我们运行程序，在控制台中查看是否存在该word.txt，我的该目录下存在所有打印了the file is exist

        3. 实现一个词频统计程序

import java.io.IOException;
import java.util.Iterator;
import java.util.StringTokenizer;

import org.apache.hadoop.fs.Path;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapred.FileInputFormat;
import org.apache.hadoop.mapred.FileOutputFormat;
import org.apache.hadoop.mapred.JobClient;
import org.apache.hadoop.mapred.JobConf;
import org.apache.hadoop.mapred.MapReduceBase;
import org.apache.hadoop.mapred.Mapper;
import org.apache.hadoop.mapred.OutputCollector;
import org.apache.hadoop.mapred.Reducer;
import org.apache.hadoop.mapred.Reporter;
import org.apache.hadoop.mapred.TextInputFormat;
import org.apache.hadoop.mapred.TextOutputFormat;
import org.apache.log4j.BasicConfigurator;

/**
 * 单词统计MapReduce
 */
public class  WordCount {

    /**
     * Mapper类
     */
    public static class WordCountMapper extends MapReduceBase implements Mapper<Object, Text, Text, IntWritable> {
        private final static IntWritable one = new IntWritable(1);
        private Text word = new Text();
        /**
         * map方法完成工作就是读取文件
         * 将文件中每个单词作为key键，值设置为1，
         * 然后将此键值对设置为map的输出，即reduce的输入
         */
        @Override
        public void map(Object key, Text value, OutputCollector<Text, IntWritable> output, Reporter reporter) throws IOException {
            /**
             * StringTokenizer：字符串分隔解析类型
             * 之前没有发现竟然有这么好用的工具类
             * java.util.StringTokenizer
             * 1. StringTokenizer(String str) ：
             *     构造一个用来解析str的StringTokenizer对象。
             *     java默认的分隔符是“空格”、“制表符(‘\t’)”、“换行符(‘\n’)”、“回车符(‘\r’)”。
             * 2. StringTokenizer(String str, String delim) ：
             *     构造一个用来解析str的StringTokenizer对象，并提供一个指定的分隔符。
             * 3. StringTokenizer(String str, String delim, boolean returnDelims) ：
             *     构造一个用来解析str的StringTokenizer对象，并提供一个指定的分隔符，同时，指定是否返回分隔符。
             *
             * 默认情况下，java默认的分隔符是“空格”、“制表符(‘\t’)”、“换行符(‘\n’)”、“回车符(‘\r’)”。
             */
            StringTokenizer itr = new StringTokenizer(value.toString());
            while (itr.hasMoreTokens()) {
                word.set(itr.nextToken());
                output.collect(word, one);
            }
        }
    }

    /**
     * reduce的输入即是map的输出，将相同键的单词的值进行统计累加
     * 即可得出单词的统计个数，最后把单词作为键，单词的个数作为值，
     * 输出到设置的输出文件中保存
     */
    public static class WordCountReducer extends MapReduceBase implements Reducer<Text, IntWritable, Text, IntWritable> {
        private IntWritable result = new IntWritable();

        @Override
        public void reduce(Text key, Iterator<IntWritable> values, OutputCollector<Text, IntWritable> output, Reporter reporter) throws IOException {
            int sum = 0;
            while (values.hasNext()) {
                sum += values.next().get();
            }
            result.set(sum);
            output.collect(key, result);
        }
    }

    public static void main(String[] args) throws Exception {
        //快速使用log4j日志功能
        BasicConfigurator.configure();
        //数据输入路径     这里的路径需要换成自己的hadoop所在地址
        String input = "hdfs://192.168.139.100:9000/test/input/word.txt";
        /**
         * 输出路径设置为HDFS的根目录下的out文件夹下
         * 注意：该文件夹不应该存在，否则出错
         */
        String output = "hdfs://192.168.139.100:9000/test/output1";

        JobConf conf = new JobConf(WordCount.class);
        //设置是谁提交
        conf.setUser("master");
        /**
         * 因为map-reduce过程需要我们自定以的map-reduce类，
         * 因此，我们需要将项目导出为jar包
         * setjar中跟本地hadoop中的词频统计jar包
         */
        conf.setJar("E:\\ProgramSoftware\\java\\hadoop2.7.7\\hadoop-2.7.7\\share\\hadoop\\mapreduce\\hadoop-mapreduce-examples-2.7.7.jar");
        //设置作业名称
        conf.setJobName("wordcount");
        /**
         * 声明跨平台提交作业
         */
        conf.set("mapreduce.app-submission.cross-platform","true");
        //很重要的声明
        conf.setJarByClass(WordCount.class);
        //对应单词字符串
        conf.setOutputKeyClass(Text.class);
        //对应单词的统计个数 int类型
        conf.setOutputValueClass(IntWritable.class);
        //设置mapper类
        conf.setMapperClass(WordCountMapper.class);
        /**
         * 设置合并函数，合并函数的输出作为Reducer的输入，
         * 提高性能，能有效的降低map和reduce之间数据传输量。
         * 但是合并函数不能滥用。需要结合具体的业务。
         * 由于本次应用是统计单词个数，所以使用合并函数不会对结果或者说
         * 业务逻辑结果产生影响。
         * 当对于结果产生影响的时候，是不能使用合并函数的。
         * 例如：我们统计单词出现的平均值的业务逻辑时，就不能使用合并
         * 函数。此时如果使用，会影响最终的结果。
         */
        conf.setCombinerClass(WordCountReducer.class);
        //设置reduce类
        conf.setReducerClass(WordCountReducer.class);
        /**
         * 设置输入格式，TextInputFormat是默认的输入格式
         * 这里可以不写这句代码。
         * 它产生的键类型是LongWritable类型（代表文件中每行中开始的偏移量值）
         * 它的值类型是Text类型（文本类型）
         */
        conf.setInputFormat(TextInputFormat.class);
        /**
         * 设置输出格式，TextOutpuTFormat是默认的输出格式
         * 每条记录写为文本行，它的键和值可以是任意类型，输出回调用toString()
         * 输出字符串写入文本中。默认键和值使用制表符进行分割。
         */
        conf.setOutputFormat(TextOutputFormat.class);
        //设置输入数据文件路径
        FileInputFormat.setInputPaths(conf, new Path(input));
        //设置输出数据文件路径（该路径不能存在，否则异常）
        FileOutputFormat.setOutputPath(conf, new Path(output));
        //启动mapreduce
        JobClient.runJob(conf);
        System.exit(0);
    }

}

        最后在Linux虚拟机中的maser节点输入

 hdfs dfs -ls /test/output/*

结语：

        至此idea连接Hadoop集群配置完成，更多的操作可以通过Hadoop提供configuration类filesystem类、FSDataInputStream类和FSDataOutputStream类实现。

        有问题的朋友可以留言，我会及时回复我所能解决的问题，一些我安装时遇到的问题放在后面，大家可以浏览查看。

问题：

        1. Hadoop文件放在windows环境下，按要求添加Hadoop环境变量，出现:

JAVA_HOME is incorrectly set.Please update C:\hadoop-3.1.2\etc\hadoop\hadoop-env.cmd

第一次尝试，Hadoop压缩文件是从linux上传会windows的，出现上面的报错，查阅资料发现在hadoo-env.sh文件下JAVA_HOME确实被设置为了linux的路径，尝试使用notepad++修改，主要有两种修改方式：

        （1）set JAVA_HOME=${JAVA_HOME}

        （2）set JAVA_HOME=xxxx\jdk1.8.0_162

修改之后还是出现了问题，便开始查看是不是jdk配置有问题，在命令行中输入java -version能够正常运行，但是输入javac却没有反应，刚开始没有重视这个问题，便再次查看是不是Hadoop配置有问题，仔细查看配置文件基于环境变量，确认无误后。再次将矛头指向javac，于是查看javac启动不成功的原因，看到了jdk正确的配置方式。

自己windows配置jdk并没有配置第二条，于是加上后，再次运行Hadoop -version便成功了。

        2.按照ubantu server ip配置教程进行配置后，发现ping不了www.baidu.com。ip地址配置需要遵循的原则是与虚拟机的ip、网关、子网掩码一样。通过检查发现教程中给的网关最后一位是1但是虚拟机中的网关最后一位是2，更改后正常上网。

        3.hadoop集群五大文件配置时，发现大部分教程没有修改etc/hadoop目录下的hadoop-env.xml文件，如果就使用原来的set JAVA_HOME={JAVA_HOME} 会出现找不到jdk的情况，需要将其设置为自己本地的jdk路径

        4.在配置pom.xml的时候发现jdk.tool依赖项，会因为版本原因导致无法正常编译，正确的解决方式是将systempath改为本地的JAVA_HOME(虽然爆红了，但是不要紧)

        5.当完成全部后如果出现无法连接，大概率是本地的hdfs-site.xml和core-site.xml中使用了别名（master、s1），应该替换成master主机的ip

core-site.xml

hdfs-site.xml