Hadoop学习笔记之四:运行MapReduce作业做集成测试

转载务必注明出处Taobao QA Team，原文地址：http://qa.taobao.com/?p=10633

引言
通过本系列的前篇文章用MRUnit做单元测试介绍可以很容易对MapReduce进行单元测试，这很必要，可以较早的发现一些代码逻辑的问题。只有单元测试是不够的，我们需要对MapReduce任务进行集成测试，要进行集成测试，得先懂得如何将MapReduce 作业在hadoop集群中运行起来。

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
  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。