运行MapReduce作业做集成测试

准备工作

以windows环境为例：  安装jdk，设置环境变量JAVA_HOME为jdk安装目录  安装Cygwin，安装时注意选择安装软件包openssh - Net 类，安装完成将cygwin/bin加入环境变量path。  确认ssh。打开cygwin命令行，分别执行以下命令   安装sshd:$ ssh-host-config   启动sshd服务：$ net start sshd   配置免密码登录用户：$ ssh-user-config   检查可登录localhost：$ ssh localhost  下载稳定的hadoop版本，点此选择下载，我选择的是0.20.2版本。  下载后解压，编辑conf/hadoop-env.sh，修改JAVA_HOME为jdk安装目录。  至此，Windows环境下的Hadoop的安装和配置完成，为了运行还需要打包MapReduce作业。我们用maven的 assembly插件来将程序打包。 配置如下：

<build>
 <plugins>
   <plugin>
     <artifactId>maven-assembly-plugin</artifactId>
     <configuration>
       <descriptorRefs>
	<descriptorRef>jar-with-dependencies</descriptorRef>
       </descriptorRefs>
     </configuration>
   </plugin>
  </plugins>
</build>

在pom.xml里加入以上配置，运行mvn assembly:assembly命令就可以打包了。 单机运行

• 特点：

 单台机器、单线程运行、不需要启动hadoop进程，利于调试，但没有模拟hadoop集群多个进程的情况，只支持一个reducer。 运行方式：  $ bin/hadoop jar --config standalone path/xx.jar WordCount input output 注意点：  用--config指定单机运行时的配置目录（示例中配置目录文件夹名为standalone，在0.20.2版本这个文件夹可以为空目录，不要别的配置文件）  WordCount为包含运行作业main函数的的类，如果有包名需要加上包名。  Input文件夹下放置输入的文件。  output为输出的目录，在运行job前需保证该目录不存在，否则会报错。 伪分布式运行 特点：  单台机器，启动hadoop所有进程（如NameNode, DataNode, TaskTracker, JobTracker, SecondaryNameNode），较好的模拟hadoop集群情况。 配置：  conf/core-site.xml

<configuration>
 <property>
         <name>fs.default.name</name>
         <value>hdfs://localhost:9000</value>
     </property>
</configuration>

conf/hdfs-site.xml

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

mapred-site.xml

<configuration>
  <property>
         <name>mapred.job.tracker</name>
         <value>localhost:9001</value>
     </property>
</configuration>

运行：  格式化分布式文件系统：$ bin/hadoop namenode –format  启动hadoop进程：$ bin/start-all.sh  检查是否启动成功，可访问以下url   NameNode - http://localhost:50070/   JobTracker - http://localhost:50030/  如果不能访问，检查logs目录下的日志分析原因。  将输入文件复制到分布式文件系统：$ bin/hadoop fs -put local input  运行作业：$ bin/hadoop jar path/xx.jar WordCount input output  检查输出：$ bin/hadoop fs -cat output/*  停止hadoop进程：$ bin/stop-all.sh 完全分布式运行测试 完全分布式运行需要利用多台机器，实现hadoop的分布式集群，通过高仿真环境进行集成测试。关于完全分布式运行测试环境搭建可见Cluster Setup。 集成测试总结 在掌握了如何运行hadoop作业后，测试要做的事就是通过脚本/代码将这个过程自动化起来，一般流程是： 预设置（准备输入文件、启动hadoop进程等）->运行作业->输出结果跟预期结果的对比->报告导致失败的原因。 在运行集成测试时需要考虑几个问题：  集成环境的搭建：需要考虑机器资源，维护成本。  输入构造：在单元测试时我们可以很容易的构造一些小的键值对，其输出结果可以很好的预期，但在集成测试时小文件意义已经不大了，我们需要仿真的大批量的数据来发现程序的问题，仿真度越高，发现问题的可能性越大。  输出分析： 我们面对的输入是仿真的海量数据，不可能做输出结果的精确预期，需要借助日志或对输出进行二次分析。在开发时需要考虑这些情况，将有用信息通过日志或输出 的方式存储。在完全分布式模式运行，日志散落在各台机器上，如何有效获取这些日志集中起来做分析?这个我们可以借助Scribe工具。同样，输出结果也可能为海量数据，如何高效对此进行分析，这可能需要针对输出数据编写测试的MapReduce任务来分析结果。