HDInsight 上の Apache Hadoop 用の Java MapReduce プログラムを開発する

[アーティクル]
06/22/2023

Apache Maven を使用して Java ベースの MapReduce アプリケーションを作成した後、Azure HDInsight 上で Hadoop を使用して実行する方法について説明します。

前提条件

Java Developer キット (JDK) バージョン 8
Apache に従って適切にインストールされた Apache Maven。 Maven は Java プロジェクトのプロジェクトビルドシステムです。

開発環境の設定

この記事で使用された環境は、Windows 10 を実行しているコンピューターです。コマンドはコマンドプロンプトで実行され、さまざまなファイルがメモ帳で編集されています。ご使用の環境に応じて変更します。

コマンドプロンプトで以下のコマンドを入力して、作業環境を作成を作成します。

IF NOT EXIST C:\HDI MKDIR C:\HDI
cd C:\HDI

Maven プロジェクトを作成する

次のコマンドを使用して、wordcountjava という名前の Maven プロジェクトを作成します。
```
mvn archetype:generate -DgroupId=org.apache.hadoop.examples -DartifactId=wordcountjava -DarchetypeArtifactId=maven-archetype-quickstart -DinteractiveMode=false
```
このコマンドにより、artifactID パラメーターで指定した名前 (この例では wordcountjava) のディレクトリが作成されます。このディレクトリには、次の項目が含まれます。
- pom.xml - プロジェクトオブジェクトモデル (POM) には、プロジェクトのビルドに使用される情報と構成の詳細が含まれています。
- src\main\java\org\apache\hadoop\examples: アプリケーションコードが含まれています。
- src\test\java\org\apache\hadoop\examples: アプリケーションのテストが含まれています。
生成されたコード例の削除以下のコマンドを入力して、生成されたテストとアプリケーションファイル AppTest.java と App.java を削除します。
```
cd wordcountjava
DEL src\main\java\org\apache\hadoop\examples\App.java
DEL src\test\java\org\apache\hadoop\examples\AppTest.java
```

プロジェクトオブジェクトモデルを更新する

pom.xml ファイルの完全なリファレンスについては、https://maven.apache.org/pom.htmlを参照してください。以下のコマンドを入力して pom.xml を開きます。

notepad pom.xml

依存関係を追加する

pom.xml で、<dependencies> セクションの次のテキストを追加します。

<dependency>
    <groupId>org.apache.hadoop</groupId>
    <artifactId>hadoop-mapreduce-examples</artifactId>
    <version>2.7.3</version>
    <scope>provided</scope>
</dependency>
<dependency>
    <groupId>org.apache.hadoop</groupId>
    <artifactId>hadoop-mapreduce-client-common</artifactId>
    <version>2.7.3</version>
    <scope>provided</scope>
</dependency>
<dependency>
    <groupId>org.apache.hadoop</groupId>
    <artifactId>hadoop-common</artifactId>
    <version>2.7.3</version>
    <scope>provided</scope>
</dependency>

これは、特定のバージョン (<version> 内に記載) に必要なライブラリ ( <artifactId> 内に記載) を定義しています。この依存関係は、コンパイル時に既定の Maven リポジトリからダウンロードされます。 Maven リポジトリ検索を使用して、その他の情報を表示できます。

<scope>provided</scope> は、これらの依存関係はアプリケーションに付属せず、実行時に HDInsight クラスターによって提供されることを Maven に通知しています。

重要

使用されるバージョンは、クラスター上に存在する Hadoop のバージョンと一致する必要があります。バージョンの詳細については、HDInsight コンポーネントのバージョンに関する記事を参照してください。

[ビルド構成]

Maven プラグインでは、プロジェクトのビルドステージをカスタマイズできます。このセクションは、プラグインやリソース、他のビルド構成オプションを追加する際に使用します。

pom.xml ファイルに次のコードを追加し、ファイルを保存し閉じます。このテキストは、ファイルの <project>...</project> タグ内に配置する必要があります (たとえば </dependencies> と </project> の間)。

<build>
    <plugins>
    <plugin>
        <groupId>org.apache.maven.plugins</groupId>
        <artifactId>maven-shade-plugin</artifactId>
        <version>2.3</version>
        <configuration>
        <transformers>
            <transformer implementation="org.apache.maven.plugins.shade.resource.ApacheLicenseResourceTransformer">
            </transformer>
        </transformers>
        </configuration>
        <executions>
        <execution>
            <phase>package</phase>
                <goals>
                <goal>shade</goal>
                </goals>
        </execution>
        </executions>
        </plugin>
    <plugin>
        <groupId>org.apache.maven.plugins</groupId>
        <artifactId>maven-compiler-plugin</artifactId>
        <version>3.6.1</version>
        <configuration>
        <source>1.8</source>
        <target>1.8</target>
        </configuration>
    </plugin>
    </plugins>
</build>

このセクションでは、Apache Maven Compiler Plugin と Apache Maven Shade Plugin を構成します。トポロジのコンパイルにはコンパイラプラグインが使用されます。シャードのプラグインは、Maven でビルドされる JAR パッケージ内のライセンスの重複を防ぐために使用されます。このプラグインは、HDInsight クラスターでの実行時に発生する "ライセンスファイルの重複" エラーを回避するために使用されます。 maven-shade-plugin を ApacheLicenseResourceTransformer 実装で使用すると、エラーを回避できます。

また、maven-shade-plugin は、アプリケーションで必要とされるすべての依存関係を含む uber jar も生成します。

pom.xml ファイルを保存します。

MapReduce アプリケーションを作成する

以下のコマンドを入力して、新しいファイル WordCount.java を作成して開きます。プロンプトが表示されたら [YES] を選択して新しいファイルを作成します。
```
notepad src\main\java\org\apache\hadoop\examples\WordCount.java
```

次に、以下の Java コードをコピーして新しいファイルに貼り付けます。その後、ファイルを閉じます。

package org.apache.hadoop.examples;

import java.io.IOException;
import java.util.StringTokenizer;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;

public class WordCount {

    public static class TokenizerMapper
        extends Mapper<Object, Text, Text, IntWritable>{

    private final static IntWritable one = new IntWritable(1);
    private Text word = new Text();

    public void map(Object key, Text value, Context context
                    ) throws IOException, InterruptedException {
        StringTokenizer itr = new StringTokenizer(value.toString());
        while (itr.hasMoreTokens()) {
        word.set(itr.nextToken());
        context.write(word, one);
        }
    }
}

public static class IntSumReducer
        extends Reducer<Text,IntWritable,Text,IntWritable> {
    private IntWritable result = new IntWritable();

    public void reduce(Text key, Iterable<IntWritable> values,
                        Context context
                        ) throws IOException, InterruptedException {
        int sum = 0;
        for (IntWritable val : values) {
        sum += val.get();
        }
        result.set(sum);
        context.write(key, result);
    }
}

public static void main(String[] args) throws Exception {
    Configuration conf = new Configuration();
    String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
    if (otherArgs.length != 2) {
        System.err.println("Usage: wordcount <in> <out>");
        System.exit(2);
    }
    Job job = new Job(conf, "word count");
    job.setJarByClass(WordCount.class);
    job.setMapperClass(TokenizerMapper.class);
    job.setCombinerClass(IntSumReducer.class);
    job.setReducerClass(IntSumReducer.class);
    job.setOutputKeyClass(Text.class);
    job.setOutputValueClass(IntWritable.class);
    FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
    FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
    System.exit(job.waitForCompletion(true) ? 0 : 1);
    }
}

パッケージ名は org.apache.hadoop.examples でクラス名は WordCount です。これらの名前は MapReduce ジョブを送信するときに使用します。

アプリケーションをビルドおよびパッケージ化する

wordcountjava ディレクトリで次のコマンドを使用して、アプリケーションが含まれた JAR ファイルをビルドします。

mvn clean package

このコマンドは、前のビルドアーティファクトを整理し、まだインストールされていない依存関係をダウンロードして、アプリケーションをビルドしてパッケージ化します。

コマンドが完了すると、wordcountjava/target ディレクトリに wordcountjava-1.0-SNAPSHOT.jar という名前のファイルが格納されます。

注意

wordcountjava-1.0-SNAPSHOT.jar ファイルは uber jar です。これには、WordCount ジョブだけでなく、ジョブの実行時に必要な依存関係も含まれます。

JAR をアップロードしてジョブを実行する (SSH)

次の手順では、scp を使用して、HDInsight クラスターの Apache HBase のプライマリヘッドノードに JAR をコピーします。その後、ssh コマンドを使用してクラスターに接続し、ヘッドノードで例を直接実行します。

クラスターに jar をアップロードします。 CLUSTERNAMEを HDInsight クラスター名と置換し、次のコマンドを入力します。
```
scp target/wordcountjava-1.0-SNAPSHOT.jar sshuser@CLUSTERNAME-ssh.azurehdinsight.net:
```
クラスターに接続します。 CLUSTERNAMEを HDInsight クラスター名と置換し、次のコマンドを入力します。
```
ssh sshuser@CLUSTERNAME-ssh.azurehdinsight.net
```
SSH セッションから、次のコマンドを使用して MapReduce アプリケーションを実行します。
```
yarn jar wordcountjava-1.0-SNAPSHOT.jar org.apache.hadoop.examples.WordCount /example/data/gutenberg/davinci.txt /example/data/wordcountout
```
このコマンドは、WordCount MapReduce アプリケーションを起動します。入力ファイルは /example/data/gutenberg/davinci.txt、出力ディレクトリは /example/data/wordcountout です。入力ファイルと出力は、両方ともクラスターの既定のストレージに格納されます。
ジョブが完了したら、次のコマンドを使用して結果を表示します。
```
hdfs dfs -cat /example/data/wordcountout/*
```
次のような文字と回数の値の一覧が表示されます。
```
zeal    1
zelus   1
zenith  2
```

次のステップ

このドキュメントでは、Java MapReduce ジョブを作成する方法を説明しました。 HDInsight を使用する他の方法については、次のドキュメントを参照してください。