转载请注明：
Hadoop 实践入门
1 实验环境搭建
1.1 准备工作
ubuntu/redhat
JDK/openjdk
Hadoop
Eclipse
vmvare/virtureBox
1.1.1 ubuntu 安装
下载最新版本ubuntu 11.10。
安装注意事项：
1、关闭防火墙：shell命令 sudo ufw disable。不关闭有可能造成master slave 通信失败。出现连接超时，重连错误。可以通过指定iptables 实现端口过滤。
2、安装ssh（用于master和slave远程登录）：sudo apt-get install ssh
1.1.2 安装jdk
1）解压sun jdk压缩包到指定的文件夹。
sudo vi /etc/profile 或者 etc nano /etc/profile
export JAVA_HOME=/usr/java/jdk1.6.0_22
export JRE_HOME=/usr/java/jdk1.6.0_22/jre
export CLASSPATH=.:$JAVA_HOME/lib:$JRE_HOME/lib:$CLASSPATH
export PATH=$JAVA_HOME/bin:$JRE_HOME/bin:$PATH
2）可以使用openjdk sudo apt-get insall open-jdk-6 或者通过软件中心。
验证 shell命令 ：java -version 看是否与你的版本号一致
1.1.3 安装hadoop
在每台机器上相同用户的home根目录下解压，hadoop-0.20.2.tar.gz 配置conf/hadoop-env.sh文件。 增加 export JAVA_HOME =/usr/lib/jvm/java-6-openjdk 这里修改为你的jdk的安装位置。
1.2 伪分布式搭建
Hadoop可以在单电商以为分布分布式模式运行，用不同的java进程模拟分布式中的中的各类节点namenode，datanode，jobtracker，tasktracker，secondary namenode
1.2.1 hadoop配置
hadoop 0.2.0.2之后需要修改core-site.xml\hdfs-site.xml 以及 mapred-site.xml
配置文件如下：
core-site.xml 配置核心内容，其中fs.default.name 为hdfs地址；tmp为hadoop.tnp.dir为临时文件
<configuration>
<property>
<name>fs.default.name</name>
<value>hdfs://localhost:49000</value>
</property>
<property>
<name>hadoop.tmp.dir</name>
<value>/home/hadooper/hadooptmp</value>
</property>
</configuration>
注意事项：一定要指定，相同的用户名，并且tmp一定要设置，否则会出现权限问题。导致hadoop启动失败。也可以通过chmod 命令来改变默认tmp的权限。默认tmp路径为：/usr/tmp。推荐第一种方式。
hdfs-site.xml 设置 hdfs 参数
<configuration>
<property>
<name>dfs.replication</name>
<value>1</value>
</property>
</configuration>
这里dfs.replication指块的副本数。副本数具体策略可参加见hadoop官方指南。
mapred-site.xml 文件的修改
<configuration>
<property>
<name>mapred.job.tracker</name>
<value>localhost:49001</value>
</property>
</configuration>
这个设置了jobtracker的端口。
注意端口的选择一定要恰当，尤其是集群的配置。默认的9000和9001很容易被ubuntu中其他进程占用，导致datanode失效，因此选择没有占用的49000 和49001。笔者，曾经就曾困扰与此。集群配置中将再次强调。
1.2.2 ssh设置
因为master需要访问datanode因此需要免密码ssh
设置方法：
ssh-keygen -t rsa然后一直按回车
完成后，在home跟目录下会产生隐藏文件夹.ssh
cd .ssh
之后ls 查看文件
cp id_rsa.pub authorized_keys
测试：
ssh localhost发现链接成功，并且无需密码。
1.2.3 hadoop运行
在hadoop安装目录下：
首先 bin/hadoop namenode -format格式化文件系统
然后 bin/start-all.sh 来启动守护进程。
利用java 命令 jps 查看进程。或者通过 网址：localhost:50070 localhost:50030来查看是否成功。
1.3 集群搭建
如上所述安装ubuntu 并且拥有相同用户。安装jdk ，安装hadoop。配置jdk路径等。
1.3.1 主机信息：
|
机器名 |
IP地址 |
作用 |
|
Node1 |
192.168.234.128 |
NameNode、JobTracker |
|
Node2 |
192.168.234.129 |
DataNode、TaskTracker |
|
Node3 |
192.168.234.130 |
DataNode、TaskTracker |
修改每台机器上的hosts
sudo vi /etc/hosts
192.168.1.31 node1
192.168.1.32 node2
192.168.1.33 node3
1.3.2 ssh 设置
把NameNode 上的id_dsa.pub 文件追加到DataNode 的authorized_keys 内：
a. 拷贝NameNode 的id_dsa.pub 文件：
$ scp id_dsa.pub hadooper@node2:/home/hadoop/
b. 登录node2，执行
$ cat id_dsa.pub >> .ssh/authorized_keys
在所有datanode上执行相同的操作。
验证：从node1
ssh node2
exit
ssh node3
exit
如果全部免密码登录则成功
1.3.3 配置hadoop
配置conf/masters 和conf/slaves 文件
Masters
node1
Slaves
node2
node3
core-site mapred-site 和hdfs-site 和伪分布配置基本相同.只是对应地址，localhost换成了namenode的名称，node1。
q 配置conf/core-site.xml
<configuration>
<property>
<name>fs.default.name</name>
<value>hdfs://node1:49000</value>
</property>
</configuration>
仍然注意端口，在运行时如果datanode连接不上namenode，有可能是由于端口问题。换一个端口
1.3.4 运行hadoop
首先格式化文件系统：$ bin/hadoop namenode –format
启动Hadoop集群：
$ bin/start-all.sh
停止Hadoop集群：
$ bin/stop-all.sh
查看集群状态：$ bin/hadoop dfsadmin -report
Hadoop 的web 方式查看
JobTracker：http://node1:50030
NameNode：http://node1:50070
1.4 eclipse 插件安装
安装eclipse 只需要把hadoop/contrib/eclipse-plus 下的包考到eclipse的plus里即可。(该方法有问题，因为该插件只能部分支持eclipse3.6，如果需要全部支持安装eclipse3.4以下版本，或修改该插件较复杂)。如果有谁修改了适合3.6以上的插件roymoro@gmail.com.帮我发一份。
摘要:
Java 实现程序运行监控状态之我的思路（守护进程）
问题：写出这个工具的意义在于我运行一个需要长时间执行的程序，如单线程爬虫。在网络出现中断的或网站丢包情况下，程序会抛出socketexception 和sockettimeoutexception。程序会中断。（再此只是提出一种假设）
解决方案：
Java 并不能像C#一样对windows的进程进行监控（资料说这是跨平台原...
阅读全文
Exception in thread "main" java.lang.StackOverflowError
at java.lang.Character.codePointAt(Character.java:2335)
at java.util.regex.Pattern$CharProperty.match(Pattern.java:3344)
at java.util.regex.Pattern$Branch.match(Pattern.java:4114)
at java.util.regex.Pattern$GroupHead.match(Pattern.java:4168)
at java.util.regex.Pattern$LazyLoop.match(Pattern.java:4357)
at java.util.regex.Pattern$GroupTail.match(Pattern.java:4227)
at java.util.regex.Pattern$BranchConn.match(Pattern.java:4078)
类似于以上异常，源自于正则匹配需要不断地递归字符串。当字符串递归超过800+，具体数字忘记了，就会出现堆栈溢出。
我在实际应用的场景是，匹配一个网页寻求《div》《/div》 之间的内容。当div 之间字符达到了950的时候这时候产生了 类似以上的错误。
经过分析，和网友遇到的类似问题贴http://topic.csdn.net/u/20110303/10/6a7dce52-481b-430a-b442-98099e9a01c9.html
得出以下不完全正确的解析方案
在正则表达式匹配时对字符个数进行限制 如："<div>(.*?|\n*|\r*)*</div> 变成了 <div>(.*?|\n*|\r*){0,700}</div> 这样达到了限制字符的作用。
但是当解析到此条目时速度仍然非常慢。
如果您有更好的解决方案请您联系我。
欢迎转帖。转帖请标注出处，以更好的和大家探讨解决问题。
——————————————————————————————————————
Lancelot 提出的正则<div[^>]*>([\s\S]*?)</div> 或<div>([\s\S]*?)</div>
由于没有分支条件，因此大大减少了正则匹配过程的回溯深度。因此成功解决了这一问题。
目前能和大家分享的是，如果遇到类似问题还需简化正则，减少分支条件等。
如果您有更好的方案欢迎您提出宝贵的建议。