轉(zhuǎn)載請(qǐng)注明：
Hadoop 實(shí)踐入門(mén)
1 實(shí)驗(yàn)環(huán)境搭建
1.1 準(zhǔn)備工作
ubuntu/redhat
JDK/openjdk
Hadoop
Eclipse
vmvare/virtureBox
1.1.1 ubuntu 安裝
下載最新版本ubuntu 11.10。
安裝注意事項(xiàng)：
1、關(guān)閉防火墻：shell命令 sudo ufw disable。不關(guān)閉有可能造成master slave 通信失敗。出現(xiàn)連接超時(shí)，重連錯(cuò)誤。可以通過(guò)指定iptables 實(shí)現(xiàn)端口過(guò)濾。
2、安裝ssh（用于master和slave遠(yuǎn)程登錄）：sudo apt-get install ssh
1.1.2 安裝jdk
1）解壓sun jdk壓縮包到指定的文件夾。
sudo vi /etc/profile 或者 etc nano /etc/profile
export JAVA_HOME=/usr/java/jdk1.6.0_22
export JRE_HOME=/usr/java/jdk1.6.0_22/jre
export CLASSPATH=.:$JAVA_HOME/lib:$JRE_HOME/lib:$CLASSPATH
export PATH=$JAVA_HOME/bin:$JRE_HOME/bin:$PATH
2）可以使用openjdk sudo apt-get insall open-jdk-6 或者通過(guò)軟件中心。
驗(yàn)證 shell命令 ：java -version 看是否與你的版本號(hào)一致
1.1.3 安裝hadoop
在每臺(tái)機(jī)器上相同用戶的home根目錄下解壓，hadoop-0.20.2.tar.gz 配置conf/hadoop-env.sh文件。 增加 export JAVA_HOME =/usr/lib/jvm/java-6-openjdk 這里修改為你的jdk的安裝位置。
1.2 偽分布式搭建
Hadoop可以在單電商以為分布分布式模式運(yùn)行，用不同的java進(jìn)程模擬分布式中的中的各類(lèi)節(jié)點(diǎn)namenode，datanode，jobtracker，tasktracker，secondary namenode
1.2.1 hadoop配置
hadoop 0.2.0.2之后需要修改core-site.xml\hdfs-site.xml 以及 mapred-site.xml
配置文件如下：
core-site.xml 配置核心內(nèi)容，其中fs.default.name 為hdfs地址；tmp為hadoop.tnp.dir為臨時(shí)文件
<configuration>
<property>
<name>fs.default.name</name>
<value>hdfs://localhost:49000</value>
</property>
<property>
<name>hadoop.tmp.dir</name>
<value>/home/hadooper/hadooptmp</value>
</property>
</configuration>
注意事項(xiàng)：一定要指定，相同的用戶名，并且tmp一定要設(shè)置，否則會(huì)出現(xiàn)權(quán)限問(wèn)題。導(dǎo)致hadoop啟動(dòng)失敗。也可以通過(guò)chmod 命令來(lái)改變默認(rèn)tmp的權(quán)限。默認(rèn)tmp路徑為：/usr/tmp。推薦第一種方式。
hdfs-site.xml 設(shè)置 hdfs 參數(shù)
<configuration>
<property>
<name>dfs.replication</name>
<value>1</value>
</property>
</configuration>
這里dfs.replication指塊的副本數(shù)。副本數(shù)具體策略可參加見(jiàn)hadoop官方指南。
mapred-site.xml 文件的修改
<configuration>
<property>
<name>mapred.job.tracker</name>
<value>localhost:49001</value>
</property>
</configuration>
這個(gè)設(shè)置了jobtracker的端口。
注意端口的選擇一定要恰當(dāng)，尤其是集群的配置。默認(rèn)的9000和9001很容易被ubuntu中其他進(jìn)程占用，導(dǎo)致datanode失效，因此選擇沒(méi)有占用的49000 和49001。筆者，曾經(jīng)就曾困擾與此。集群配置中將再次強(qiáng)調(diào)。
1.2.2 ssh設(shè)置
因?yàn)?/span>master需要訪問(wèn)datanode因此需要免密碼ssh
設(shè)置方法：
ssh-keygen -t rsa然后一直按回車(chē)
完成后，在home跟目錄下會(huì)產(chǎn)生隱藏文件夾.ssh
cd .ssh
之后ls 查看文件
cp id_rsa.pub authorized_keys
測(cè)試：
ssh localhost發(fā)現(xiàn)鏈接成功，并且無(wú)需密碼。
1.2.3 hadoop運(yùn)行
在hadoop安裝目錄下：
首先 bin/hadoop namenode -format格式化文件系統(tǒng)
然后 bin/start-all.sh 來(lái)啟動(dòng)守護(hù)進(jìn)程。
利用java 命令 jps 查看進(jìn)程。或者通過(guò) 網(wǎng)址：localhost:50070 localhost:50030來(lái)查看是否成功。
1.3 集群搭建
如上所述安裝ubuntu 并且擁有相同用戶。安裝jdk ，安裝hadoop。配置jdk路徑等。
1.3.1 主機(jī)信息：
|
機(jī)器名 |
IP地址 |
作用 |
|
Node1 |
192.168.234.128 |
NameNode、JobTracker |
|
Node2 |
192.168.234.129 |
DataNode、TaskTracker |
|
Node3 |
192.168.234.130 |
DataNode、TaskTracker |
修改每臺(tái)機(jī)器上的hosts
sudo vi /etc/hosts
192.168.1.31 node1
192.168.1.32 node2
192.168.1.33 node3
1.3.2 ssh 設(shè)置
把NameNode 上的id_dsa.pub 文件追加到DataNode 的authorized_keys 內(nèi)：
a. 拷貝NameNode 的id_dsa.pub 文件：
$ scp id_dsa.pub hadooper@node2:/home/hadoop/
b. 登錄node2，執(zhí)行
$ cat id_dsa.pub >> .ssh/authorized_keys
在所有datanode上執(zhí)行相同的操作。
驗(yàn)證：從node1
ssh node2
exit
ssh node3
exit
如果全部免密碼登錄則成功
1.3.3 配置hadoop
配置conf/masters 和conf/slaves 文件
Masters
node1
Slaves
node2
node3
core-site mapred-site 和hdfs-site 和偽分布配置基本相同.只是對(duì)應(yīng)地址，localhost換成了namenode的名稱，node1。
q 配置conf/core-site.xml
<configuration>
<property>
<name>fs.default.name</name>
<value>hdfs://node1:49000</value>
</property>
</configuration>
仍然注意端口，在運(yùn)行時(shí)如果datanode連接不上namenode，有可能是由于端口問(wèn)題。換一個(gè)端口
1.3.4 運(yùn)行hadoop
首先格式化文件系統(tǒng)：$ bin/hadoop namenode –format
啟動(dòng)Hadoop集群：
$ bin/start-all.sh
停止Hadoop集群：
$ bin/stop-all.sh
查看集群狀態(tài)：$ bin/hadoop dfsadmin -report
Hadoop 的web 方式查看
JobTracker：http://node1:50030
NameNode：http://node1:50070
1.4 eclipse 插件安裝
安裝eclipse 只需要把hadoop/contrib/eclipse-plus 下的包考到eclipse的plus里即可。(該方法有問(wèn)題，因?yàn)樵摬寮荒懿糠种С?/span>eclipse3.6，如果需要全部支持安裝eclipse3.4以下版本，或修改該插件較復(fù)雜)。如果有誰(shuí)修改了適合3.6以上的插件roymoro@gmail.com.幫我發(fā)一份。
Exception in thread "main" java.lang.StackOverflowError
at java.lang.Character.codePointAt(Character.java:2335)
at java.util.regex.Pattern$CharProperty.match(Pattern.java:3344)
at java.util.regex.Pattern$Branch.match(Pattern.java:4114)
at java.util.regex.Pattern$GroupHead.match(Pattern.java:4168)
at java.util.regex.Pattern$LazyLoop.match(Pattern.java:4357)
at java.util.regex.Pattern$GroupTail.match(Pattern.java:4227)
at java.util.regex.Pattern$BranchConn.match(Pattern.java:4078)
類(lèi)似于以上異常，源自于正則匹配需要不斷地遞歸字符串。當(dāng)字符串遞歸超過(guò)800+，具體數(shù)字忘記了，就會(huì)出現(xiàn)堆棧溢出。
我在實(shí)際應(yīng)用的場(chǎng)景是，匹配一個(gè)網(wǎng)頁(yè)尋求《div》《/div》 之間的內(nèi)容。當(dāng)div 之間字符達(dá)到了950的時(shí)候這時(shí)候產(chǎn)生了 類(lèi)似以上的錯(cuò)誤。
經(jīng)過(guò)分析，和網(wǎng)友遇到的類(lèi)似問(wèn)題貼http://topic.csdn.net/u/20110303/10/6a7dce52-481b-430a-b442-98099e9a01c9.html
得出以下不完全正確的解析方案
在正則表達(dá)式匹配時(shí)對(duì)字符個(gè)數(shù)進(jìn)行限制 如："<div>(.*?|\n*|\r*)*</div> 變成了 <div>(.*?|\n*|\r*){0,700}</div> 這樣達(dá)到了限制字符的作用。
但是當(dāng)解析到此條目時(shí)速度仍然非常慢。
如果您有更好的解決方案請(qǐng)您聯(lián)系我。
歡迎轉(zhuǎn)帖。轉(zhuǎn)帖請(qǐng)標(biāo)注出處，以更好的和大家探討解決問(wèn)題。
——————————————————————————————————————
Lancelot 提出的正則<div[^>]*>([\s\S]*?)</div> 或<div>([\s\S]*?)</div>
由于沒(méi)有分支條件，因此大大減少了正則匹配過(guò)程的回溯深度。因此成功解決了這一問(wèn)題。
目前能和大家分享的是，如果遇到類(lèi)似問(wèn)題還需簡(jiǎn)化正則，減少分支條件等。
如果您有更好的方案歡迎您提出寶貴的建議。