云计算实验二手册,主要包括四个部分，Hadoop的安装、Hadoop的配置、WordCount、和KMeans，如果有发现什么问题可以私戳我或者在评论区提出。

一、Hadoop本体安装

由于第一次实验使用了Ubuntu22.04，为了方便我们这次实验使用的操作系统也是Ubuntu22.04。

1. 安装java

Hadoop 基础组件及其外围项目大多是基于 Java 的，要运行 Hadoop，我们需要在系统中安装 Java 运行时环境（JRE）。有多种 JRE 可供选择，我们使用 openjdk-11 作为 JRE。Hadoop 官方文档中说明了对 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）进行通信，我们需要在本地计算机中安装 SSH 服务器守护程序。

sudo apt install openjdk-11-jdk openssh-server -y

2. 创建ssh密钥并添加到自己的本地计算机

Hadoop 通常运行于分布式环境中。在这种环境下，它使用 SSH 协议与自己（或其他服务器）进行通信，为了能够配置 Hadoop 更安全地与服务器进行通信，我们为本地环境 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-copy-id -p 22 localhost

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。

这时候可以尝试使用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 (opens new window)下载。

我们使用来自 Hadoop 官方网站的发行版本 3.3.6 举例。我们准备将相关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"

如果以上官方链接无法访问或者速度较慢，可以使用以下命令替代：

wget "https://mirrors.bit.edu.cn/apache/hadoop/common/hadoop-3.3.6/hadoop-3.3.6.tar.gz"

注意该压缩包较大（696MB），因此下载需要的时间可能较长。

下载好压缩包后，解压到/opt目录。

sudo tar -zxvf hadoop-3.3.6.tar.gz -C /opt

二、Hadoop 配置

Hadoop 并非是单个软件，而是一系列大数据存储及处理的工具集合。所以，有必要针对常用的基础组件进行配置，以完成 Hadoop 环境的搭建。

1. 配置环境变量

安装 Hadoop 后，我们需要正确设置以下环境变量。可以将这些添加环境变量的命令添加至 ~/.bashrc 文件末尾，以避免每次登录时都需要执行，注意以下命令需要一次性复制和运行，不可以分多次：

注意

注意以下命令需要一次复制，不可分多次

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

然后执行source ~/.bashrc使配置生效或者直接重启shell。

2. 配置Hadoop基础框架

顺利运行 Hadoop 组件，我们有必要告诉 Hadoop 有关 Java 运行时环境（JRE）的位置信息。Hadoop 框架的基础配置文件位于 ./etc/hadoop/hadoop-env.sh 中，我们只需要修改其中的 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，则需要额外修改 HADOOP_SSH_OPTS 行。

首先我们接下来的操作都需要以/opt/hadoop-3.3.6作为当前路径，也就是说你需要先cd到/opt/hadoop-3.3.6，另外注意以下命令同样需要一次性复制和运行。

注意

注意下文中很多路径是./etc/hadoop/hadoop-env.sh，是一个相对于/opt/hadoop-3.3.6的相对路径，不是系统中的/etc 另外注意以下命令同样需要一次复制，不可分多次

cat << 'EOF' >> ./etc/hadoop/hadoop-env.sh
export JAVA_HOME=/usr/lib/jvm/java-11-openjdk-amd64
export HADOOP_SSH_OPTS="-p 22"
EOF

注意

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，可能需要根据实际修改。

3. 核心变量配置

Hadoop 生态的大多数组件采用 .xml (opens new window)文件的方式进行配置，linux的作者Linus Torvalds也曾对xml发出过“友好”的评价 (opens new window)。它们采用了统一的格式：即将配置项填写在每个配置文件的 <configuration> 与 </configuration> 之间，每个配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>

首先需要修改./etc/hadoop/core-site.xml，我们需要配置fs.defaultFS为hdfs://localhost/，也就是说，需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>

4. 配置 HDFS（Hadoop 文件系统）

为了支持Hadoop的运行，我们需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 (opens new window)找到HDFS的更多信息。

在使用 Hadoop 文件系统（HDFS）之前，我们需要显式配置 HDFS，以指定 NameNode 与 DataNode 的存储位置。我们计划将 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

然后，修改./etc/hadoop/hdfs-site.xml，将以下内容放到该文件的<configuration> </configuration>之间。请注意需要替换其中的liyaning为你的ubuntu用户名

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

<property>
<name>dfs.name.dir</name>
<value>/home/liyaning/hadoop/namenode</value>
</property>

<property>
<name>dfs.data.dir</name>
<value>/home/liyaning/hadoop/datanode</value>
</property>

首次启动 Hadoop 环境之前，我们需要初始化 Namenode 节点数据，使用以下命令：

hdfs namenode -format

应该可以看到很多输出信息。

5. 配置 MapReduce（由 YARN 驱动）

MapReduce 是一种简单的用于数据处理的编程模型，YARN（Yet Another Resource Negotiator）是 Hadoop 的集群资源管理系统。

将以下内容放到./etc/hadoop/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>

将以下内容放到./etc/hadoop/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>

6. 启动Hadoop集群

使用以下命令:

start-dfs.sh
start-yarn.sh
mr-jobhistory-daemon.sh start historyserver

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。

这将启动以下守护进程：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 相关服务启动成功，可以使用jps命令。

你可以使用浏览器访问该主机的 9870 端口，以查看 HFS 的相关情况，如果一切正常，应该能在浏览器看到以下类似画面。

大功告成！此时hadoop基础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志进行排查。

三、WordCount实验

1.安装maven (opens new window)

首先使用命令sudo apt-get install maven。

将配置文件复制到~/.m2目录：mkdir ~/.m2 && cp /etc/maven/settings.xml ~/.m2。

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>

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，注意替换其中的liyaning为你的姓名

mvn archetype:generate -DarchetypeGroupId=org.apache.maven.archetypes -DgroupId=cn.edu.seu.liyaning -DartifactId=wordcount -DpackageName=cn.edu.seu.liyaning -Dversion=1.0-SNAPSHOT -DinteractiveMode=false                 

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这样简单的文本编辑器，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：

点击查看

<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>

在</dependencies>后面增加如下内容：

<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>

使用mvn clean install -DskipTests同步依赖，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，注意替换第一行的包名：

点击查看

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);
    }
}

然后使用命令mvn clean install -DskipTests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 /miao # 创建文件夹
hdfs dfs -ls /  # 应该可以看到miao这个文件夹

在本地创建一个miao.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

然后把这个文件放到hdfs中去：

hdfs dfs -put miao.txt /miao/
hdfs dfs -ls /miao  # 应该可以看到miao.txt

5. 使用Hadoop运行编译的jar文件

注意替换其中的文件真实路径以及包名：

hadoop jar ~/wordcount/target/wordcount-1.0-SNAPSHOT.jar cn.edu.seu.liyaning.WordCount /miao/miao.txt /miao/output/

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 /miao/output/part-r-00000可以看到运行的结果。

Bingo！第一个小实验完成。

四、KMeans实验

1. 准备相关文件

首先解压KMeans.zip。

unzip KMeans.zip
cd KMeans/

使用java -jar ProcessCorpus.jar将文本文件转化成词向量，该程序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，该程序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

2. 构建项目

首先使用如下命令创建项目，请注意需要替换其中的liyaning为你的ubuntu用户名。

mvn archetype:generate -DarchetypeGroupId=org.apache.maven.archetypes -DgroupId=cn.edu.seu.liyaning -DartifactId=kmeans -DpackageName=cn.edu.seu.liyaning -Dversion=1.0-SNAPSHOT -DinteractiveMode=false

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，MapRedKMeans下的所有文件复制到src/main/java/cn/edu/seu/XXX/，可能根据需要修改以下命令：

cp ../MapRedKMeans/* src/main/java/cn/edu/seu/liyaning/

然后使用mvn clean install -DskipTests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

其中3是kmeans的迭代次数，可以自己定义，当然次数越多需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，注意需要先cd到解压出来的KMeans文件夹，方便后续检查结果：

cd KMeans # 根据实际替换为你的解压出来的文件夹路径
hdfs dfs -copyToLocal /clustersXXX/part-r-00000 # 替换XXX为你的迭代次数

4. 检查结果

使用命令java -jar GetDistribution.jar运行检查结果的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

你应当能看到以下结果信息：

Done!

大功告成！你做的很棒，你已经完成了云计算的第二次实验。在本次实验中，你安装并配置了Hadoop以及HDFS等相关配套设施，你使用Hadoop完成了wordcount和KMeans两个小实验，现在你可以完善一下你的实验报告准备提交，同时休息一下看看窗外的风景，晚餐加个鸡腿奖励一下自己。

参考链接

在 Ubuntu 22.04 LTS 上搭建 Hadoop 环境 (opens new window)

Hadoop官网 (opens new window)