Oozie、Flume、Mahout配置与应用

---

---

-------------------------Oozie--------------------
【一、部署】
1）部署Oozie服务端
[root@cMaster~]#sudo yum install oozie    #cMaster上以root权限执行，部署Oozie服务端
2）部署Oozie客户端
[root@iClient~]f#sudo yum install oozie-client

【二、配置文件】
3）修改/etc/oozie/conf/oozie-env.sh文件
#export CATALINA_BASE=/var/lib/oozie/tomcat-deployment
export CATALINA_BASE=/usr/lib/oozie/oozie-server
# export OOZIE_CONFIG_FILE=oozie-site.xml
export OOZIE_CONFIG=/etc/oozie/conf
# export OOZIE_LOG=${OOZIE_HOME}/logs
export OOZIE_LOG=/var/log/oozie

4）追加/etc/hadoop/conf/core-site.xml内容：
<property><name>hadoop.proxyuser.oozie.groups</name><value>*</value></property>
<property><name>hadoop.proxyuser.oozie.hosts</name><value>*</value></property>
【三、数据库与jar配置】
重启Hadoop集群，并建库
$for x in `cd/etc/init.d；Is hadoop-*`；do service $x restart；done；    #`为英文输入状态下 ，esc键下面那个【警告：不建议使用】除了iCleint外，其他机器都要执行4）创建Oozie数据库模式
[root@cMaster~]#sudo -u oozie /usr/lib/oozie/bin/ooziedb.sh create -run    #仅cMaster执行

[root@cMaster ~]#mkdir /tmp/ooziesharelib
[root@cMaster~]#cd /tmp/ooziesharelib
[root@cMaster~]# tar xzf /usr/lib/oozie/oozie-sharelib-yarn.tar.gz    #【重要】此处oozie-sharelib-yarn.tar.gz有可能为/usr/lib/oozie/下文件夹，将其复制进/tmp/ooziesharelib即可
【四、启动服务】
[root@cMaster~]#sudo service oozie start

应用是这里注意一点：oozie job -oozie http://cMaster:11000/oozie  -config  【/usr/share/doc/oozie-4.0.0+cdh5.0.0+54/examples/apps/map-reduce/job.properties   为本地路径】  -run
      oozie job -oozie http://cMaster:11000/oozie  -config  job.properties  -run
HDFS 路径：/user/【用户名】root/examples/apps/map-reduce/    下存在job.properties等文件，即/user/【用户名】root/examples/apps/map-reduce/被写死
本地路径：（相对路径）进入本地job.properties等文件目录下，如：
    进入  /usr/share/doc/oozie-4.0.0+cdh5.0.0+54/examples/apps/map-reduce/    目录下job.properties存在的地方
——————————————————————以下冗余————————————————————

Oozie部署 [21] Oozie相当于Hadoop的一个客户端，因此集群中只有一台机器部署Oozie server端即 可，
    由于可以有任意多个客户端连接Oozie，故每个客户端上都须部署Oozie client，
    本节 选择在cMaster上部署Oozie server，在iClient上部署Oozie client。
1）部署Oozie服务端
[root@cMaster~]#sudo yum install oozie    #cMaster上以root权限执行，部署Oozie服务端
2）部署Oozie客户端
[root@iClient~]f#sudo yum install oozie-client
3）配置Oozie 修改/etc/oozie/conf/oozie-env.sh中的CATALINA_BASE属性值，注释原值并指定新 值，
    当此值指向oozie-server-0.20表明Oozie支持MRv1，指向oozie-server表示支持Yarn。
    注 意cMaster、iClient都要配置，并保持一致。
#export CATALINA_BASE=/usr/lib/oozie/oozie-server-0.20
export CATALINABASE=/usr/lib/oozie/oozie-server
在/etc/hadoop/conf/core-site.xml文档里configuration标签间加入如下内容。
    注意，6台机器都要更新这个配置，并且配置此属性后，
    一定要重启集群中所有Hadoop服务，此属性值才能生效。
<property><name>hadoop.proxyuser.oozie.groups</name><value>*</value></property>
<property><name>hadoop.proxyuser.oozie.hosts</name><value>*</value></property>

下面是重启Hadoop集群的命令：
$for x in 'cd/etc/init.d；Is hadoop-*'；do service $x restart；done；    #除了iCleint外，其他机器都要执行4）创建Oozie数据库模式
[root@cMaster~]#sudo -u oozie /usr/lib/oozie/bin/ooziedb.sh create -run    #仅cMaster执行

5）配置Oozie Web页面
[root@cMaster ~]#cd /var/lib/oozie/
[root@cMaster oozie]# sudo -u oozie wget http://archive.cloudera.com/gplextras/misc/ext-2.2.zip
[root@cMaster oozie]# sudo -u oozie unzip ext-2.2.zip

6）将Oozie常用Jar包导入HDFS
[root@cMaster~]# sudo -u hdfs hdfs dfs -mkdir /user/oozie
[root@cMaster~]#sudo -u hdfs hdfs dfs -chown oozie:oozie /user/oozie
[root@cMaster ~]#mkdir /tmp/ooziesharelib
[root@cMaster~]#cd /tmp/ooziesharelib
[root@cMaster~]# tar xzf /usr/lib/oozie/oozie-sharelib-yarn.tar.gz
[root@cMaster～]# sudo -u oozie hdfs dfs -put share /user/oozie/share

7）开启Oozie服务
[root@cMaster~]#sudo service oozie start

8）查看Oozie服务
    当成功部署并在cMaster上开启Oozie服务后，如果配置了ext-2.2，
    在iClient上的浏览器中打开“cmaster：11000”将显示Oozie Web界面，
    也可以使用下述命令查看Oozie工作状态。
[root@iClient~]#oozie admin -oozie http://cMaster:11000/oozie -status

------------------------应用------
2.0ozie访问接口
    Oozie最常用的是命令行接口，它的Web接口只可以看到Oozie托管的任务，不可以配置作业。
【例6-6】按要求完成问题：
    ①进入Oozie客户端，查看常用命令。
    ②运行Oozie MR示例程序。
    ③运行OoziePig、Hive等示例。
    ④编写workflow.xml，完成一次WordCount。
    ⑤编写workflow.xml，完成两次WordCount，且第一个WC的输出为第二个WC的输入。

解答：对于问题①，在iClient上执行下述命令即可，用户可以是root或joe。
[root@iClient~]#sudo-u joe oozie help        #查看所有Oozie命令

对于问题②，首先解压Oozie示例iar包，接着修改示例配置中的地址信息，最后上传至集群执行即可，读者按下述流程执行即可。
[root@iClient~]#cd /usr/share/doc/oozie-4.0.0+cdh5.0.0+54
[root@iClient oozie-4.0.0+cdh5.0.0+54]# tar-zxvf oozie-examples.tar.gz

编辑examples/apps/map-reduce/job.properties，将如下两行：
    nameNode=hdfs://localhost：8020
    job Tracker=localhost：8021替换成集群现在配置的地址与端口：
nameNode=hdfs://cMaster:8020
job Tracker=cMaster:8032

接着将examples上传至HDFS，使用oozie命令执行即可：
[root@iClient oozie-4.0.0+cdh5.0.0+54]#sudo -u joe hdfs dfs-put examples examples
[root@iClient oozie-4.0.0+cdh5.0.0+54]#cd
[root@iClient ~]#sudo -u joe oozie job -oozie http://cMaster:11000/oozie  -config  /usr/share/doc/oozie-
4.0.0+cdh5.0.0+54/examples/apps/map-reduce/job.properties  -run

    问题③其实和②是一样的，读者可按上述过程使用oozie执行Pig或Hive等的示例脚本。
    切记修改相应配置（如examples/apps/pig/job.properties）后，再上传至集群，
    执行时也要定位到相应路径（如sudo-u joe oozie....../apps/pig/joe.properties-run）。
对于问题④，读者可参考“examples/apps/map-reduce/workflow.xml”，
    其对应jar包在“examples/apps/map-reduce/lib”下，
    其下的DemoMapper.class和DemoReducer.class就是WordCount的代码，
    对应的源代码在“examples/src”下，可按如下步骤完成此问题。

（1）编辑文件“examples/apps/map-reduce/workflow.xml”，找到下述内容：
    <property>
    <name>mapred.mapper.class</name><value>org.apache.oozie.example.SampleMapper</value>
    </property>
    <property>
    <name>mapred.reducer.class</name><value>org.apache.oozie.example.SampleReducer</value>
    </property>
将其替换成：
<property>
<name>mapred.mapper.class</name><value>org.apache.oozie.example.DemoMapper</value>
</property>
<property>
<name>mapred.reducer.class</name><value>org.apache.oozie.example.DemoReducer</value>
</property>
<property><name>mapred.output.key.class</name><value>org.apache.hadoop.io.Text</value></property>
<property>
<name>mapred.output.value.class</name><value>org.apache.hadoop.io.IntWritable</value>
</property>

（2）接着将原来HDFS里examples文件删除，按问题②的解答，
    上传执行即可，这里只给出删除原examples的命令，上传和执行命令和问题②解答一样。
[root@iClient~]#sudo -u joe hdfs dfs -rm -r -f  examples    #删除HDFS原examples文件

（3）接着将examples上传至HDFS，使用oozie命令执行即可：
[root@iClient oozie-4.0.0+cdh5.0.0+54]#sudo -u joe hdfs dfs-put examples examples
[root@iClient oozie-4.0.0+cdh5.0.0+54]#cd
[root@iClient ~]#sudo -u joe oozie job -oozie http://cMaster:11000/oozie  -config  /usr/share/doc/oozie-
4.0.0+cdh5.0.0+54/examples/apps/map-reduce/job.properties  -run

****问题⑤是业务逻辑中最常遇到的情形，比如你的数据处理流 是：
    “M1”→“R1”→“Java1”→“Pig1”→“Hive1”→“M2”→“R2”→“Java2”
    ，单独写出各类或 脚本后，写出此逻辑对应的workflow.xml即可。
    限于篇幅，下面只给出workflow.xml框 架，请读者自行解决问题④。

    <workflow-app xmlns="uri:oozie:workflow：0.2" name="map-reduce-wf">
    <start to="mr-node"/>
    <action name="mr-node">
    <map-reduce>第一个wordcount配置</map-reduce>
    <ok to="mr-wc2"/><error to="fail"/>
    </action>
    <action name="mr-wc2">
    <map-reduce>第二个wordcount 配置</map-reduce>
    <ok to="end"/><error to="fail"/>
    </action>
    <kill name="fail">
    <message>Map/Reduce failed error message[${wf:errorMessage(wf:lastErrorNode())}]</message>
    </kill>
    <end name="end"/>
    </workflow-app>

——————————————————————————Flume——————————————————————
1.Flume部署 [21] 集群中只有一台机器部署Flume就可以接收数据了，
    此外下面的例题中还要有一台机 器做为数据源，负责向Hadoop集群发送数据，
    故须在cMaster与iClient上部署Flume。
（1）部署Flume接收端
[root@cMaster~]#sudo yum install flume-ng-agent    #在cMaster上部署Flume

（2）部署Flume发送端
[root@iClient~]#sudo yum install flume-ng-agent    #在iClient上部署Flume

---------------应用
2.Flume访问接口 Flume提供了命令行接口和程序接口，但Flume使用方式比较特别，
    无论是命令行还 是程序接口，都必须使用Flume配置文档，
    这也是Flume架构思想之一——配置型工具。
【例6-7】按要求完成问题：
    ①进入Flume命令行，查看常用命令。
    ②要求发送端 iClient使用telnet向cMaster发送数据，而接收端cMaster开启44444端口接收数据，
        并将收到 的数据显示于命令行。
    ③要求发送端iClient将本地文件“/home/joe/source.txt”发往接收端 cMaster，
        而接收端cMaster将这些数据存入HDFS。
    ④根据问题③，接收端cMaster开启接 收数据的Flume服务，既然此服务能接收iClient发来的数据，
        它必然也可以接收iHacker机 器（黑客）发来的数据，问如何尽量减少端口攻击，并保证数据安全。
解答：对于问题①，直接在iClient上执行如下命令即可
[root@iClient~]#flume-ng        #查看Flume常用命令

对于问题②，首先需要在cMaster上按要求配置并开启Flume（作为接收进程被动接收 数据），
    接着在iClient上使用telnet向cMaster发送数据，具体过程参见如下几步。
    在cMaster上以root权限，新建文件“/etc/flume/conf/flume.conf”，
    并填入如下内容：接 着在cMaster上使用此配置以前台方式开启Flume服务
-----------------------------------------------------------------------------------------------
#命令此处agent名为al，并命名此al的sources为rl，channels为cl，sinks为kl
a1.sources=r1
a1.channels=c1
a1.sinks=k1

#定义sources相关属性：即此sources在cMaster 上开启44444端口接收以netcat协议发来的数据
a1.sources.r1.type=netcat
a1.sources.r1.bind=cMaster
a1.sources.r1.port=44444

#定义channels及其相关属性，此处指定此次服务使用memory 暂存数据
a1.channels.c1.type=memory
a1.channels.c1.capacity=1000
a1.channels.c1.transactionCapacity=100

#定义此sink为logger类型sink：即指定sink直接将收到的数据输出到控制台
a1.sinks.k1.type=logger

#将sources关联到channels，channels 关联到sinks上
a1.sources.r1.channels=c1
a1.sinks.k1.channel=c1
---------------------------------------------------------------------------------------------
[root@cMaster~]#flume-ng agent -c  /etc/flume-ng/  -f  /etc/flume-ng/conf/flume.conf -n a1

此时，接收端cMaster已经配置好并开启了，接下来需要开启发送端，在iClient上执行：
[root@iClient~]# telnet cMaster 44444

    此时向此命令行里随意输入数据并回车，telnet会将这些数据发往cMaster，再次回到 cMaster上执行命令的那个终端，
    会发现刚才在iClient里输入的数据发送到了cMaster的终 端里。如果想退出iClient终端里的telnet，
    按Ctrl+]组合键（即同时按住Ctrl键和]键），回 到telnet后输入“quit”命令回车即可，
    至于退出cMaster上的Flume，直接按Ctrl+C组合键。
 问题③的回答步骤较多。 首先，在cMaster上新建文件“/etc/flume-ng/conf/flume.conf.hdfs”，并填入如下内容
-----------------------------------------------------------------------------------------------
#命令此处agent名为al，并命名此al的sources为rl，channels为c1，sinks为k1
a1.sources=r1
a1.sinks=k1
a1.channels=c1

#定义sources类型及其相关属性
#即此sources为avro类型，且其在cMaster上开启4141端口接收avro协议发来的数据
a1.sources.r1.type=avro
a1.sources.r1.bind=cMaster
a1.sources.r1.port=4141

#定义channels类型其实相关属性，此处指定此次服务使用memory 暂存数据
a1.channels.c1.type=memory

#定义此sink为HDFS类型的sink，且此sink将接收的数据以文本方式存入HDFS指定目录
a1.sinks.k1.type=hdfs
a1.sinks.k1.hdfs.path=/user/joe/flume/cstorArchive
a1.sinks.k1.hdfs.file Type=DataStream

#将sources关联到channels，channels 关联到sinks上
a1.sources.r1.channels=c1
a1.sinks.k1.channel=c1
-----------------------------------------------------------------------------------------------

接着，在iClient上新建文件“/root/businessLog”，并填入如下内容：
--------------------------------------
ccccccccccccccccccccc
ssssssssssssssssssssssss
tttttttttttttttttttttttttttttttttt
oooooooooooooooooo
rrrrrrrrrrrrrrrrrrrrrrrrrrrrr
--------------------------------------

iClient上还要新建文件“/etc/flume-ng/conf/flume.conf.exce”，并填入如下内容：
-----------------------------------------------------------------------------------------------
#命令此处agent名为al，并命名此al的sources为rl，channels为c1，sinks为k1
a1.sources=r1
a1.channels=c1
a1.sinks=k1

#定义sources类型及其相关属性，此sources为exce类型
#其使用Linux cat 命令读取文件/root/businessLog，接着将读取到的内容写入channel
a1.sources.r1.type=exec
a1.sources.r1.command=cat /root/businessLog

#定义channels及其相关属性，此处指定此次服务使用memory 暂存数据
a1.channels.c1.type=memory

#定义此sink为avro类型sink，即其用avro协议将channel里的数据发往cMaster的4141端口
a1.sinks.k1.type=avro
a1.sinks.k1.hostname=cMaster
a1.sinks.k1.port=4141

#将sources关联到channels，channels 关联到sinks上
a1.sources.r1.channels=c1
a1.sinks.k1.channel=c1
-----------------------------------------------------------------------------------------------

至此，发送端iClient和接收端cMaster的Flume都已配置完成。现在需要做的是在 HDFS里新建目录，
    并分别开启接收端Flume服务和发送端Flume服务，步骤如下。 在cMaster上开启Flume，
    其中“flume-ng…a1”命令表示使用flume.conf.hdfs配置启动 Flume，
    参数a1即是配置文件里第一行定义的那个a1
[root@cMaster ~]#sudo -u joe hdfs dfs      -mkdir flume    #HDFS里新建目录/user/joe/flume
[root@cMaster ～]#sudo -u joe flume-ng agent -c  /etc/flume-ng/  -f  /etc/flume-ng/conf/flume.conf.hdfs -n a1

最后，在iClient上开启发送进程，与上一条命令类似，这里的a1，即flume.conf.exce 定义的a1：
[root@iClient~]#flume-ng agent -c/etc/flume-ng/ -f /etc/flume-ng/conf/flume.conf.exce -n a1

    此时，用户在iClient端口里打开“cMaster：50070”，依次进入目 录“/user/joe/flume/cstorArchive”，
    将会查看到从iClient上传送过来的文件。 

—————————————————————————— Mahout——————————————————————
1.Mahout部署 [21] 作为Hadoop的一个客户端，Mahout只要在集群中或集群外某台客户机上部署即可，
    实验中选择在iClient上部署Mahout
[root@iClient ～]# sudo yum install mahout

2.Mahout访问接口 Mahout提供了程序和命令行接口，
    通过参考Mahout已有的大量机器学习算法，程序 员也可实现将某算法并行化。
【例6-8】要求以joe用户运行Mahout示例程序naivebayes，实现下载数据，建立学习 器，训练学习器，
    最后使用测试数据针对此学习器进行性能测试。
-------------------------------------------------------------------------
#！/bin/sh
#新建本地目录，新建HDFS目录
mkdir -p /tmp/mahout/20news-bydate /tmp/mahout/20news-all&&hdfs dfs -mkdir mahout

#下载训练和测试数据集
curl http://people.csail.mit.edu/jrennie/20Newsgroups/20news-bydate.tar.gz\  -o /tmp/mahout/20news-bydate.tar.gz

#将数据集解压、合并，并上传至HDFS
cd /tmp/mahout/20news-bydate&&tar xzf /tmp/mahout/20news-bydate.tar.gz&&cd
cp -R /tmp/mahout/20news-bydate/*/*/tmp/mahout/20news-all
hdfs dfs -put /tmp/mahout/20news-all mahout/20news-all

#使用工具类seqdirectory 将文本数据转换成二进制数据
mahout seqdirectory -i mahout/20news-all -o mahout/20news-seq -ow
-------------------------------------------------------------------------

解：首先须下载训练数据集和测试数据，接着运行训练MR和测试MR，但是，
    Mahout里的算法要求输入格式为Value和向量格式的二进制数据，故中间还须加一些步 骤，
    将数据转换成要求格式的数据，下面的脚本naivebayes.sh可以完成这些动作
-------------------------------------------------------------------------
#使用工具类seq2sparse将二进制数据转换成算法能处理的矩阵类型二进制数据
mahout seq2sparse -i mahout/20news-seq -o mahout/20news-vectors -lnorm -nv -wt  tfidf

#将总数据随机分成两部分，第一部分约占总数据80%，用来训练模型
#剩下的约20%作为测试数据，用来测试模型
mahout split -i mahout/20news-vectors/fidf-vectors --trainingOutput mahout/20news-train-vectors\
--testOutput mahout/20news-test-vectors\
--randomSelectionPct 40 --overwrite --sequenceFiles -xm sequential

#训练Naive Bayes模型
mahout trainnb -i mahout/20news-train-vectors  -e1 -o mahout/model -li mahout/labelindex -ow
#使用训练数据集对模型进行自我测试（可能会产生过拟合）
mahout testnb -i mahout/20news-train-vectors -m mahout/model -l mahout/labelindex\
-ow -o mahout/20news-testing
#使用测试数据对模型进行测试
mahout testnb -i mahout/20news-test-vectors -m mahout/model -I mahout/labelindex\
-ow -o mahout/20news-testing
-------------------------------------------------------------------------

限于篇幅，脚本写得简陋，执行时，切记须在iClient上，以joe用户身份执行，且只能 执行一次。
    再次执行时，先将所有数据全部删除，执行方式如下
[root@iClient~]# cp naivebayes.sh /home/joe
[root@iClient~]# chown joe.joe naivebayes.sh
[root@iClient～]# sudo -u joe chmod +x naivebayes.sh
[root@iClient~]# sudo -u joe sh naivebayes.sh

脚本执行时，用户可以打开Web界面“cMaster：8088”，
    查看正在执行的Mahout任 务；还可以通过Web界面“cMaster：50070”，
    定位到“/user/joe/mahout/”查看目录变化