如何让你的作业在Hadoop集群中真正实现分布式运行？

搭建过hadoop之后，如何让程序在hadoop集群中分布式运行成了一件令人头痛的事。

　　可能有人会说在eclipse的类文件中右键点击-》“run on hadoop”不就行了嘛，注意：eclipse中的“run on hadoop”默认只是运行在单机上的，因为要想在集群中让程序分布式运行还要经历上传类文件、分发到各个节点等过程的，一个简单的“run on hadoop”只是启动了本地hadoop类库来运行你的程序而已，在Hadoop JobTracker的web管理页面（http://localhost:50030）上是看不到任何作业信息的，因为你的作业根本就没有运行在集群上。

　　《Hadoop：the Definitive Guide 3rd edition》上介绍的是使用打jar包的方式，然后用hadoop脚本命令的jar选项来运行分布式程序。如下所示：

hadoop jar hadoop-examples.jar v3.MaxTemperatureDriver-conf conf/hadoop-cluster.xml input/ncdc/all max-temp

　　但问题是这本书里面是使用maven来编译类文件的，通过pom.xml他很容易就解决了jar包的依赖问题，这让我等平常使用eclipse来编程的灰常依赖IDE的程序猿们情何以堪啊，maven的配置及使用方法到现在还没搞懂，索性不学了，自己打jar包吧

　　自己打jar包就要解决类文件引用的问题，以我在程序中使用的Hbase的jar包（hbase-0.94.3.jar）为例，我先后尝试了各种试图解决类文件引用及打jar包的方法，无论如何，总会提示我找不到org.apache.hadoop.hbase.util.Bytes class文件（它就在hbase-0.94.3.jar中），以下为我尝试的各种方法：

1.设置classpath到hbase-0.94.3.jar
2.设置HADOOP_CLASSPATH到hbase-0.94.3.jar
3.设置HADOOP_CLASSPATH到HBASE_HOME
4.把hbase-0.94.3.jar打包到运行的jar包中（其中包括了1.直接打进jar包；2.放入lib文件夹再打入jar包；3.通过manifest文件设置Class-Path选项指向hbase-0.94.3.jar)
5.把hbase-0.94.3.jar复制到HADOOP_HOME/lib下面

直至这个时候我已要接近崩溃了，要知道光是解决这个问题已花费了我接近三天的时间，仍是一无所获，索性不做了改弄其他东西，如此10多天过去了。

　　等忙完这10多天，另一个解决问题的角度出现了，既然自己在命令行下打包不行，为何不使用eclipse呢（说到底还是屈服于IDE了，我鄙视我自己！）。刚开始是直接把整个项目导出成jar包，但这样只是包含了自己编写的源文件及lib文件夹下的依赖jar包，并没有包含hadoop-core之类的引用第三方jar包，按着这个思路就去google了下如何完整的把引用的第三方jar包也包含进来的打包方式，还真给找到了：Fat-jar！（下载地址）

　　下载之后解压缩，会得到一个名为net.sf.fjep.fatjar_0.0.31.jar（版本不同，名字可能不同）的jar包，把它拷到eclipse_home/plugins中然后重启eclipse，如果在Windows=>prefernce=>fat jar preference看到它就说明已经安装成功了。

　　接下来，在需要导出的Java项目上右击，选择“导出”，选择”其他”中的”Fat Jar EXporter”，即可进行打包操作。注意选择好”Main-class”以及需要打包的文件。“finish”之后你就会得到一个完整的jar包了，这样便可以在任何地方通过hadoop jar命令来运行了，以我的程序为例：

hadoop jar HDG3.jar cf/RateDataImporter //HDG3.jar为我的jar包的名字，共64Mb，cf/RateDataImporter为我要运行的类文件名字

　　在jobtracker的web管理界面可以很清楚的看到此作业的信息，以及正在运行的进度、状态等，感觉很爽的有木有（虽然我的集群只有两个节点）！

　　

　　至此，折腾了许久的hadoop集群运行分布式作业问题终于解决！