总结hadoop mapreduce job添加第三方依赖的方法

最近在开发mapreduce程序，输入有hdfs、hbase形式，输出有hdfs、mysql等形式。碰到了如何添加第三方依赖jar的问题，在网上查了很多资料，记录下来，免得再走弯路。

下面所有方法基于hadoop-1.0.1版本实现，其它版本可能略有不同。
总结了一下，总共有五种方法：

1、制作一个超级jar包，包含你的classes和所有依赖的第三方classes
2、和方法1差不多，只不过不是把依赖的第三方classes直接放入jar中，而是把第三方依赖的jar放在待提交jar包的lib目录下。
3、将jar包放在hadoop集群的各自node上，修改hadoop-env.sh中HADOOP_TASKTRACKER_OPTS 的值或者HADOOP_CLASSPATH。
4、将依赖的jar包拷贝事先到hdfs上，在代码中通过DistributedCache.addFileToClassPath方法，将其加入到依赖中。
5、使用hadoop jar的-libjars参数来设置第三方依赖的jar

方法1和2的思想是一样的，都是把所有的依赖放入到一个jar包中。但这些方法不利于版本的维护，不推荐使用。
方法3则需要配置集群中所有的node，而且也让hadoop本身依赖了第三方不相关的jar。
方法4必须由代码去控制第三方的jar依赖，也不利于依赖的管理。
方法5则没有上述问题，推荐使用。
不过使用方法5有一些注意事项，否则你会发现即使设置了-libjars，还是找不到依赖的类。

方法5具体使用步骤：
1、提交jar参数设置

hadoop jar my-example.jar com.example.MyTool -libjars mysql-connector-java.jar,abc.jar

多个jar包间使用逗号分隔。

2、main函数的参数必须使用GenericOptionsParser解析。

public static void main(String[] args) throws Exception {
    Configuration conf = new Configuration();
    String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
    ....
}

或者通过ToolRunner.run去解析参数

public static void main(final String[] args) throws Exception {
  Configuration conf = new Configuration();
  int res = ToolRunner.run(new MyTool(), args);
  System.exit(res);
}

public class MyTool extends Configured implements Tool {

  public final int run(final String[] args) throws Exception {
    Job job = new Job(super.getConf());
    ...
    job.waitForCompletion(true);
    return ...;
  }

详细代码可以参照mapreduce内的examples。

实际上ToolRunner.run的内部也是调用了GenericOptionsParser去解析参数。跟踪源码就会发现GenericOptionsParser有这样的一段代码：

    if (line.hasOption("libjars")) {
      conf.set("tmpjars", 
               validateFiles(line.getOptionValue("libjars"), conf));
      //setting libjars in client classpath
      URL[] libjars = getLibJars(conf);
      if(libjars!=null && libjars.length>0) {
        conf.setClassLoader(new URLClassLoader(libjars, conf.getClassLoader()));
        Thread.currentThread().setContextClassLoader(
            new URLClassLoader(libjars, 
                Thread.currentThread().getContextClassLoader()));
      }
    }

最终是往Configuration里设置了tmpjars的属性。

参考文献：
1、http://blog.cloudera.com/blog/2011/01/how-to-include-third-party-libraries-in-your-map-reduce-job/
2、http://grepalex.com/2013/02/25/hadoop-libjars/