VirtualBoxでHadoop環境を作ってみる

隣の人がHadoopいじって遊んでたので，自分もちょっとやっておこうかなと思い少し触ってみました．実際にマシンを借りて大規模な計算をするのは大変なので，仮想マシンを作って遊んでみました．

仮想Hadoop環境の構築

巷ではVMWareが人気だったりしますが，今回はVirtualBoxを使ってみたいと思います．なぜかというとVirtualBoxをコンソールから扱えるVagrantで遊んでいたので，ちょうどパソコンにインストールされていたから．以下，VirtualBoxは既にインストールされているものとして話を進めます．

Cloudera’s Hadoop Demo VM for CDH4に VMWare, KVM, VirtualBox用の各種イメージが置いてあるので， VirtualBox用のものをダウンロードしてきます． tar.gzで圧縮されているので解凍しましょう．中にcloudera-demo-vm.vmdkというファイルが入ってます．

VirtualBoxを起動してHadoop用のマシンを新規作成します．設定は以下のとおりに

デモイメージはCentOSベースらしいのでOSタイプとして RedHat**(64bit版)** を選択
メモリは3Gバイト以上
ハードディスクは後で設定するので，「起動ディスク」のチェックを外し割り当てしない

新規作成したら設定を少しいじります．

IO APICが有効化されていることを確認
ストレージにcloudera-demo-vm.vmdkを追加．この時 IDEコントローラ の下にいれること．
ネットワークアダプタをホストオンリーアダプタに設定

これで実行できるようになります．

遊んでみる

せっかくなので少し遊んでみる事にします．イメージの置いてあったページにあるHadoop Tutorialをやってみましょう． Hadoopの例として必ず最初に出てくるであろう，Word Countです．

まずソースコードを入力します．

package org.myorg;

import java.io.IOException;
import java.util.*;

import org.apache.hadoop.fs.Path;
import org.apache.hadoop.conf.*;
import org.apache.hadoop.io.*;
import org.apache.hadoop.mapred.*;
import org.apache.hadoop.util.*;

public class WordCount {

    public static class Map extends MapReduceBase implements Mapper<LongWritable, Text, Text, IntWritable> {
        private final static IntWritable one = new IntWritable(1);
        private Text word = new Text();

        public void map(LongWritable key, Text value, OutputCollector<Text, IntWritable> output, Reporter reporter) throws IOException {
            String line = value.toString();
            StringTokenizer tokenizer = new StringTokenizer(line);
            while (tokenizer.hasMoreTokens()) {
                word.set(tokenizer.nextToken());
                output.collect(word, one);
            }
        }
    }

    public static class Reduce extends MapReduceBase implements Reducer<Text, IntWritable, Text, IntWritable> {
        public void reduce(Text key, Iterator<IntWritable> values, OutputCollector<Text, IntWritable> output, Reporter reporter) throws IOException {
            int sum = 0;
            while (values.hasNext()) {
                sum += values.next().get();
            }
            output.collect(key, new IntWritable(sum));
        }
    }

    public static void main(String[] args) throws Exception {
        JobConf conf = new JobConf(WordCount.class);
        conf.setJobName("wordcount");

        conf.setOutputKeyClass(Text.class);
        conf.setOutputValueClass(IntWritable.class);

        conf.setMapperClass(Map.class);
        conf.setCombinerClass(Reduce.class);
        conf.setReducerClass(Reduce.class);

        conf.setInputFormat(TextInputFormat.class);
        conf.setOutputFormat(TextOutputFormat.class);

        FileInputFormat.setInputPaths(conf, new Path(args[0]));
        FileOutputFormat.setOutputPath(conf, new Path(args[1]));

        JobClient.runJob(conf);
    }
}

コンパイルして，jarで固めておきます．

mkdir wordcount_classes
javac -cp /usr/lib/hadoop/client-0.20/\* -d wordcount_classes WordCount.java 
jar cvf wordcount.jar -C wordcount_classes/ .

プログラムの準備はこれで終わりです．しかし，解析対象が無いと解析のしようがないので，ローカルに適当な内容の解析対象のファイルを用意しておきましょう．

echo "Hello World Bye World" > file01
echo "Hello Hadoop Goodbye Hadoop" > file02

ローカルのファイルをHadoopのファイルシステムへコピーします．

hadoop fs -mkdir /user/cloudera/wordcount
hadoop fs -mkdir /user/cloudera/wordcount/input
hadoop fs -copyFromLocal file1 /user/cloudera/wordcount/input
hadoop fs -copyFromLocal file2 /user/cloudera/wordcount/input

これで準備完了． WordCountのプログラムを実行してみましょう．

hadoop jar wordcount.jar org.myorg.WordCount /user/cloudera/wordcount/input /user/cloudera/wordcount/output

以下のコマンドでプログラムが動いていることを確認します．

hadoop fs -ls /user/cloudera/wordcount/output
hadoop fs -cat /user/cloudera/wordcount/output/part-00000

以下の結果が得られているはずです．

Bye	1
Goodbye	1
Hadoop	2
Hello	2
World	2

まとめ

VirtualBoxを使ってHadoopの実行環境をお手軽に作り， WordCountをして遊んでみました．

HadoopというとWordCountが例としてあげられることが多く「それしかできないの？」と思っていましたが， Mahoutというライブラリを使うとHadoopの枠組みで数々の機械学習ができてしまうらしいです．応用範囲は広そうなのでもう少し高度なことをして遊んでみたいですね．