Hadoop源代码阅读环境搭建

一、说明

作为一个学习hadoop的同学。必须在本机上搭建hadoop源代码阅读环境，这样，在方便阅读源代码的同一时候也方便进行调试和源代码改动。

好了。以下開始搭建好开发环境。

1.环境说明：hadoop 版本号：1.2.1、 IDE：eclipse、操作系统：centos 

2.网上有人是通过eclipse的新建项目指定文件夹的方式将hadoop文件夹转换成Eclipseproject同一时候导入eclipse，详细做法例如以下：

File——>new——>Java Project——>勾掉Use default location选项——>在location输入框中输入hadoop的文件夹——>Finish的方式导入hadoop文件夹来生成hadoop。

这样的错误的做法不但破坏了hadoopproject的项目结构，同一时候也会报出非常多错误。

二、环境搭建

1.hadoop原始文件夹结构參考：

2.我们下载的hadoop并非一个eclipseproject，须要将其转换为eclipseproject才干导入eclipse。版本号官方提供的hadoop是用ant工具作为项目管理工具的，因此，我们须要用ant将其转换为eclipseproject。详细步骤例如以下：

(1).安装必须工具：

a.安装ant

yum install ant

b.安装 libtool 

yum install libtool 

c.安装ant-apache-regexp

yum install ant-apache-regexp

注：libtool 和ant-apache-regexp工具必须安装，否则后面在用ant做转换时会报错。

(2).进入到Hadoop文件夹下：

cd hadoop-1.2.1

(3).通过ant将hadoop-1.2.1进行转换为eclipseproject：

ant clean

ant eclipse -verbose（增加verbose选项能够查看具体输出信息，有利于观察进度和查错）

注：该过程常见错误及解决方法參考第三部分“错误说明及解决”。

(4).假设一切顺利的话，第一次操作，大概须要10分钟左右(主要时间浪费在下载jar包上了)就能够完工。

假设成功的话。就能够通过import——>Existing Projects into Workspace 将hadoop-1.2.1导入eclipseproject了。

PS：除上面这种方法外。另一个比較笨的方法。就是新建一个javaproject，然后把各个包手动地拷贝进去，这样不必所有都拷进去，能够拷一些自己关心的包，比方core、hdfs、mapred。这三个包能够基本满足项目的执行和对于hdfs和mpareduce的研究了。

注：使用该方法后，某些类可能会出现例如以下异常：

三、错误说明及解决

1.possibly undefined macro: AC_PROG_LIBTOOL
If this token and others are legitimate, please use m4_pattern_allow.See the Autoconf documentation.autoreconf:/usr/bin/autoconf failed with exit status: 1

例如以下图所看到的：

假设出现此错误说明你的机器中没有安装libtool工具。仅仅需安装就可以：yum install libtool

參考文章：http://www.cnblogs.com/niocai/archive/2011/07/14/2106089.html

2.Could not create type regexpmapper due to No supported regular expression matcher found: java.lang.ClassNotFoundException: org.apache.tools.ant.util.regexp.Jdk14RegexpMatcher

例如以下图所看到的：

出现如上所看到的错误时你的机器缺少ant-apache-regexp工具，仅仅需安装就可以：

yum install ant-apache-regexp

參考文章：http://yupengyan.com/dspace-quick-start.html

四、Hadoop 源码组织结构

直接解压 Hadoop 压缩包后，可看到下图所看到的的文件夹结构，当中，比較关键的文件夹有 src、conf、lib、bin 等。以下分别介绍这几个文件夹的作用：
src ：Hadoop 源码所在的文件夹。最核心的代码所在子文件夹各自是 core、hdfs 和 mapred。它们分别实现了 Hadoop 最重要的三个模块，即基础公共库、HDFS 实现和MapReduce 实现。
conf： 配置文件所在文件夹。 Hadoop 的配置文件比較多，其设计原则可概括为例如以下两点。

○ 尽可能模块化，即每一个重要模块拥有自己的配置文件，这样使得维护以及管理变得简单。

○ 动静分离，即将可动态载入的配置选项剥离出来，组成独立配置文件。

比方，Hadoop 1.0.0 版本号之前。作业队列权限管理相关的配置选项被放在配置文件 mapred-site.xml 中，而该文件是不能够动态载入的，每次改动后必须重新启动 MapReduce。但从 1.0.0 版本号開始。这些配置选项被剥离放到独立配置文件 mapred-queue-acls.xml中，该文件能够通过 Hadoop 命令行动态载入。conf 文件夹下最重要的配置文件有core-site.xml、hdfs-site.xml 和 mapred-site.xml，分别设置了基础公共库 core、分布式文件系统 HDFS 和分布式计算框架 MapReduce 的配置选项。
lib：Hadoop 执行时依赖的三方库，包含编译好的 jar 包以及其它语言生成的动态库。 Hadoop 启动或者用户提交作业时，会自己主动载入这些库。
bin：执行以及管理 Hadoop 集群相关的脚本。这里介绍几个经常使用的脚本。 ?
○ hadoop：最基本且功能最完备的管理脚本，其它大部分脚本都会调用该脚本。
○ start-all.sh/stop-all.sh：启动 / 停止全部节点上的 HDFS 和 MapReduce 相关服务。
○ start-mapred.sh/stop-mapred.sh：单独启动 / 停止 MapReduce 相关服务。

○ start-dfs.sh/stop-dfs.sh：单独启动 / 停止 HDFS 相关服务。

以下就 Hadoop MapReduce 源码组织结构进行介绍。

Hadoop MapReduce 源码组织结构 例如以下图所看到的。

整体上看，Hadoop MapReduce 分为两部分：一部分是 org.apache.hadoop.mapred.*，这里面主要包括旧的对外编程接口以及 MapReduce 各个服务（JobTracker 以及 TaskTracker）的实现 ；还有一部分是 org.apache.hadoop.mapreduce.*。主要内容涉及新版本号的对外编程接口以及一些新特性（比方 MapReduce 安全） 。

1. MapReduce 编程模型相关
org.apache.hadoop.mapred.lib.*：这一系列 Java 包提供了各种可直接在应用程序中使用的 InputFormat、Mapper、Partitioner、Reducer 和OuputFormat，以降低用户编写MapReduce 程序的工作量。

org.apache.hadoop.mapred.jobcontrol ：该 Java 包同意用户管理具有相互依赖关系的作业（DAG 作业） 。
org.apache.hadoop.mapred.join ：该 Java 包实现了 map-side join 算法。

该算法要求数据已经依照 key 排好序。且分好片，这样能够仅仅使用 Map Task 实现 join 算法。避免 re-partition、sort、shuffling 等开销。 
org.apache.hadoop.mapred.pipes： 该 Java 包同意用户用 C/C++ 编写 MapReduce 作业。 
org.apache.hadoop.mapreduce：该 Java 包定义了一套新版本号的编程接口，这套接口比旧版接口封装性更好。

org.apache.hadoop.mapreduce.* ： 这 一 系 列 Java 包 根 据 新 版 接 口 实 现 了各 种InputFormat、Mapper、Partitioner、Reducer 和 OuputFormat。

2. MapReduce 计算框架相关
org.apache.hadoop.mapred：Hadoop MapReduce 最核心的实现代码，包含各个服务的详细实现。
org.apache.hadoop.mapred.filecache：Hadoop DistributedCache 实现。DistributedCache是 Hadoop 提供的数据分发工具，可将用户应用程序中须要的文件分发到各个节点上。
org.apache.hadoop.mapred.tools ：管理控制 Hadoop MapReduce。当前功能仅包含同意用户动态更新服务级别的授权策略和 ACL（訪问权限控制）属性。
org.apache.hadoop.mapreduce.split ：该 Java 包的主要功能是依据作业的 InputFormat生成对应的输入 split。
org.apache.hadoop.mapreduce.server.jobtracker ：该 Java 包维护了 JobTracker 可看到的 TaskTracker 状态信息和资源使用情况。
org.apache.hadoop.mapreduce.server.tasktracker.*：TaskTracker 的一些辅助类。

3. MapReduce 安全机制相关
这里仅仅涉及 org.apache.hadoop.mapreduce.security.*。

这一系列 Java 包实现了 MapReduce安全机制。