Hadoop配置指導手冊
在學習Hadoop的過程中，你可能會遇到Hadoop配置和使用問題，本節和大家一起學習一下Hadoop配置方法，希望通過本節的介紹，大家對能夠掌握其配置方法。
Hadoop配置和使用問題記錄
關于hadoop如何配置的教程網上已經有不少了，配合hadoop主頁上的說明，基本可以順利在多臺機器上配置好hadoop集群。這里記錄的是我在實際配置和使用hadoop時遇到的問題，其中一些屬于hadoop周邊，如ssh配置時容易遇到的問題和解決方法，供大家參考。我目前是在windows xp里通過cygwin安裝的hadoop，版本是0.17.2.1。
1. 安裝cygwin。在www.cygwin.com下載網絡安裝包，在選擇組件的時候建議直接把openssh組件選中，有些版本的cygwin似乎不會自動安裝diffutils組件，所以需要手工選中一下，否則配置ssh時會提示缺少該組件包。
2. cygwin控制臺里的缺省提示符不太習慣，用export PS1="\u@\w$"設一下好多了。
3. Hadoop配置過程中配置sshd比較簡單，可以參考這個鏈接。在ssh-host-config時問到“Should privilege separation be used? (yes/no)”時回答no即可，如果由于安全因素要回答yes時，在啟動sshd時有可能遇到“Privilege separation user sshd does not exist”的錯誤信息，解決方法可參考這個鏈接。
4. 在配置ssh使用證書方式自動驗證時花了一些時間，后來覺得可能是由于機器上有兩個版本的cygwin的緣故，因為在另一臺機器上安裝就沒有出現問題。在使用ssh-keygen -t rsa命令后提示輸入密碼時，直接按兩次回車即可。公鑰的復制等過程這里不再贅述。
5. 試圖在Eclipse里運行hadoop的WordCount程序時提示異常：“javax.security.auth.login.LoginException: Login failed: CreateProcess: whoami error=2”，解決方法是把c:\cygwin\bin加入系統的path環境變量，然后重啟Eclipse以便改動生效。
6. 在Eclipse里運行WordCount時遇到java heap size不夠的異常，在運行Hadoop配置里加入-Xms200M就可以解決。（hadoop的helloworld要求的內存比較多？）
7. 當要運行的運算依賴第三方類庫時，這個鏈接有所討論，但暫時沒看到除了在命令行里使用hadoop jar命令以外的解決方法，比如在0.17.2和0.18.1版本里我都沒有看到JobConf類里有類似addJar()這樣的方法，在JobConf#setJar()里使用逗號分隔多個jar文件的方式則會報找不到文件的錯誤。解決方式可能有兩個：a)把所需要的第三方jar文件復制到每個節點機器的jre里（暫時沒有試驗） b)把第三方jar包和自己的類打到一個包里。
update: 在網上找到另一種方式，通過DistributedCache實現，原文里可能有筆誤，我試驗正確的方法是調用DistributedCache.addArchiveToClassPath()方法，注意其***個參數必須是相對路徑，如“/test/lib /my.jar”，而不能是像“hdfs://192.168.0.5:47110/test/lib/my.jar”這樣的絕對路徑。關于 DistributedCache的說明在里有一些。
8. 調試mapreduce程序的方式，在這個鏈接里講得比較清楚了，因為很有用所以特意重復一次。如果文件存放在HDFS里，那么只需要調用JobConf#.set("mapred.job.tracker", "local");即可；如果文件也是存在本地的，還需要調用JobConf#set("fs.default.name", "local");方法。我通常讓文件存在HDFS里調試，因為要使用本地文件要么參數需要改變，要么代碼需要改變，維護兩個環境很麻煩。在程序里用System.out.println()輸出的內容可以在datanode的hadoop安裝路徑的logs/userlogs目錄里找到。
9. 當使用自定義InputFormat時，特別是使用EMF模型元素作為key的時候，需要注意并不是在代碼的任何地方都能得到xmi:id的值的。具體來說，在WritableComparable#write()方法里能得到（前提是該對象本來就有resource，即eobj.eResource()!=null），而在WritableComparable#readFields()里是不能得到的，在RecordWriter#write()方法里同樣不能得到，因為后兩者的EMF元素對象都是反序列化得到的，已經不是內存里原來的那個實例了。
10. map進行到100%后，reduce過程進行到某個數值（如16%）后就不再繼續，直到被hadoop強制關閉。ok，到這里Hadoop配置完成。
【編輯推薦】
