用 Hadoop 进行分布式数据处理（入门）
deb http://archive.cloudera.com/debian intrepid-cdh3 contrib
deb-src http://archive.cloudera.com/debian intrepid-cdh3 contrib
如果您运行 Jaunty 或其他版本，只需把 intrepid 替换为您的版本名（当前支持 Hardy、Intrepid、Jaunty、Karmic 和 Lenny）。
接下来，从 Cloudera 获取 apt-key 以检查下载的包：
$ curl -s http://archive.cloudera.com/debian/archive.key | \sudo apt-key add - sudo apt-get update
然后，安装采用伪分布式配置的?Hadoop（所有?Hadoop?守护进程在同一个主机上运行）：
$ sudo apt-get install?Hadoop-0.20-conf-pseudo
$
注意，这个配置大约 23MB（不包括 apt 可能下载的其他包）。这个配置非常适合体验?Hadoop?以及了解它的元素和界面。
最后，我设置了不需要密码的 SSH。如果打算使用 ssh localhost 并请求密码，就需要执行以下步骤。我假设这是专用的?Hadoop?机器，因为这个步骤对安全性有影响（见清单 1）。
清单 1. 设置不需要密码的 SSH
$ sudo su -
# ssh-keygen -t dsa -P '' -f ~/.ssh/id_dsa
# cat ~/.ssh/id_dsa.pub >> ~/.ssh/authorized_keys
最后，需要确保主机上有供 datanode使用的足够存储空间（缓存）。存储空间不足会导致系统表现异常（比如出现无法把数据复制到节点的错误）。
启动?Hadoop
现在可以启动?Hadoop?了，这实际上要启动每个?Hadoop?守护进程。但是，首先使用?Hadoop?命令对Hadoop?File System (HDFS) 进行格式化。Hadoop?命令有许多用途，稍后讨论其中一部分。
首先，请求 namenode 对 DFS 文件系统进行格式化。在安装过程中完成了这个步骤，但是了解是否需要生成干净的文件系统是有用的。
#?Hadoop-0.20 namenode -format在确认请求之后，文件系统进行格式化并返回一些信息。接下来，启动?Hadoop?守护进程。Hadoop?在这个伪分布式配置中启动 5 个守护进程：namenode、secondarynamenode、datanode、jobtracker 和 tasktracker。在启动每个守护进程时，会看到一些相关信息（指出存储日志的位置）。每个守护进程都在后台运行。图 1 说明完成启动之后伪分布式配置的架构。
"Cache 2
"Control 1
"Examples 1
"Has 7
"Inter-CPU 1
"LOAD 1
"LOCK" 1
"Locking 1
"Locks 1
"MMIO 1
"Pending 5
#
还可以使用?Hadoop-0.20 实用程序从 HDFS 中提取文件（见清单 8）。只需使用 get 实用程序（它与前面在 HDFS 中写文件所用的 put 相似）。对于 get 操作，指定 HDFS 中要提取的文件（来自 output 子目录）和在本地文件系统中要写的文件 (output.txt)。
清单 8. 从 HDFS 提取输出
#?Hadoop-0.20 fs -get output/part-r-00000
output.txt
# cat output.txt | head -5
!= 1
"Atomic 2
"Cache 2
"Control 1
"Examples 1
#
我们再来看一个示例，它使用相同的 JAR，但是目的不同（在这里要试验并行的 grep）。对于这个测试，仍然使用现有的输入文件，但是要删除 output 子目录以便在测试时重新创建它：
#?Hadoop-0.20 fs -rmr output
Deleted hdfs://localhost/user/root/output
接下来，请求用于执行 grep 的 MapReduce 作业。在这种情况下，并行执行 grep（映射），然后组合 grep 的结果（缩减）。清单 9 给出这个使用模型的输出（为了简短，这里删除了一些输出）。注意，这里的命令请求是一个 grep，它从 input 子目录获取输入，把结果放在 output 子目录中。最后一个参数是要搜索的字符串（在这里是 'kernel'）。
清单 9. 执行单词搜索计数的 MapReduce 作业 (grep)
#?Hadoop-0.20 jar /usr/lib/Hadoop/
Hadoop-0.20.2+228-examples.jar \
grep input output 'kernel'
10/04/30 09:22:29 INFO mapred.FileInputFormat: Total input paths to process : 2
10/04/30 09:22:30 INFO mapred.JobClient: Running job: job_201004291628_0010
10/04/30 09:22:31 INFO mapred.JobClient: map 0% reduce 0%
10/04/30 09:22:42 INFO mapred.JobClient: map 66% reduce 0%
10/04/30 09:22:45 INFO mapred.JobClient: map 100% reduce 0%
10/04/30 09:22:54 INFO mapred.JobClient: map 100% reduce 100%
10/04/30 09:22:56 INFO mapred.JobClient: Job complete: job_201004291628_0010
10/04/30 09:22:56 INFO mapred.JobClient: Counters: 18
10/04/30 09:22:56 INFO mapred.JobClient: Job Counters
10/04/30 09:22:56 INFO mapred.JobClient: Launched reduce tasks=1
10/04/30 09:22:56 INFO mapred.JobClient: Launched map tasks=3
10/04/30 09:22:56 INFO mapred.JobClient: Data-local map tasks=3
10/04/30 09:22:56 INFO mapred.JobClient: FileSystemCounters
10/04/30 09:22:56 INFO mapred.JobClient: FILE_BYTES_READ=57
10/04/30 09:22:56 INFO mapred.JobClient: HDFS_BYTES_READ=113144
10/04/30 09:22:56 INFO mapred.JobClient: FILE_BYTES_WRITTEN=222
10/04/30 09:22:56 INFO mapred.JobClient: HDFS_BYTES_WRITTEN=109
...
10/04/30 09:23:14 INFO mapred.JobClient: Map output bytes=15
10/04/30 09:23:14 INFO mapred.JobClient: Map input bytes=23
10/04/30 09:23:14 INFO mapred.JobClient: Combine input records=0
10/04/30 09:23:14 INFO mapred.JobClient: Map output records=1
10/04/30 09:23:14 INFO mapred.JobClient: Reduce input records=1
#
作业完成之后，检查 output 目录，找到结果文件，然后通过执行文件系统 cat 操作查看其内容（见清单 10）。
清单 10. 检查 MapReduce 作业的输出
#?Hadoop-0.20 fs -ls output
Found 2 items
drwxr-xr-x - root supergroup 0 2010-04-30 09:22 /user/root/output/_logs
-rw-r--r-- 1 root supergroup 10 2010-04-30 09:23 /user/root/output/part-00000
#?Hadoop-0.20 fs -cat output/part-00000
17 kernel
#
基于 Web 的界面
您已经知道如何检查 HDFS 了，但是如果要寻找?Hadoop?的操作的相关信息，会发现 Web 界面很有用。位于?Hadoop?集群最上层的是 namenode，它管理 HDFS。可以通过 http://localhost:50070 查看文件系统的高层信息（比如可用空间、已用空间和可用的 datanode）以及正在运行的作业。可以通过 http://localhost:50030 深入检查 jobtracker（作业状态）。注意，在这两种情况下都引用 localhost，因为所有守护进程都在同一个主机上运行。
更进一步
本文讨论了一个简单的（伪分布式）Hadoop?集群的安装和初始配置。在这里，我选用 Cloudera 的Hadoop?发行版是因为它简化了?Hadoop?的安装和初始配置。可以在 apache.org 找到许多?Hadoop?发行版（包括源代码）。更多信息见 参考资料。
但是，如果缺少硬件资源，无法扩展?Hadoop?集群以满足自己的需要，那么应该怎么办？由于?Hadoop非常流行，可以很方便地在云计算基础设施中使用预构建的?Hadoop?VM 和租用的服务器运行它。Amazon 在 Amazon Elastic Compute Cloud (Amazon EC2) 中提供 Amazon Machine Image (AMI) 和计算资源。另外，Microsoft 最近宣布将在它的 Windows? Azure Services Platform 中支持?Hadoop。
更多信息请查看?java进阶网?http://www.javady.com