如何从 Eclipse 调试 hadoop mapreduce 作业？答案

【问题标题】：How to debug hadoop mapreduce jobs from eclipse?如何从 Eclipse 调试 hadoop mapreduce 作业？
【发布时间】：2012-04-12 12:50:29
【问题描述】：

我在单机、仅限本地的设置中运行 hadoop，我正在寻找一种在 eclipse 中调试映射器和缩减器的好方法。 Eclipse 运行 mapreduce 任务没有问题。但是，当我去调试时，它给了我这个错误：

12/03/28 14:03:23 WARN mapred.JobClient：未设置作业 jar 文件。可能找不到用户类。请参阅 JobConf(Class) 或 JobConf#setJar(String)。

好的，所以我做一些研究。显然，我应该使用 eclipse 的远程调试工具，并将其添加到我的hadoop-env.sh：

-agentlib:jdwp=transport=dt_socket,server=y,suspend=y,address=5000

我这样做了，我可以在 Eclipse 中单步执行我的代码。唯一的问题是，由于“suspend=y”，我不能使用命令行中的“hadoop”命令来执行诸如查看作业队列之类的操作；它挂起，我在想象，因为它正在等待调试器附加。另外，当我处于这种模式时，我无法运行“hbase shell”，可能是出于同样的原因。

所以基本上，如果我想在“调试模式”和“正常模式”之间来回切换，我需要更新hadoop-env.sh 并重新启动我的机器。大痛。所以我有几个问题：

有没有更简单的方法在 eclipse 中调试 mapreduce 作业？
为什么 eclipse 可以很好地运行我的 mapreduce 作业，但要进行调试，我需要使用远程调试？
有没有办法告诉 hadoop 对 mapreduce 作业使用远程调试，但对所有其他任务在正常模式下运行？（例如“hadoop queue”或“hbase shell”）。
有没有更简单的方法来切换hadoop-env.sh 配置而无需重新启动我的机器？ hadoop-env.sh 默认是不可执行的。
这是一个更普遍的问题：当我在本地模式下运行 hadoop 时到底发生了什么？我的机器上是否有任何进程“始终开启”并执行 hadoop 作业？或者当我从命令行运行“hadoop”命令时，hadoop 是否只做一些事情？当我从 eclipse 运行 mapreduce 作业时，eclipse 在做什么？我必须在我的pom.xml 中引用hadoop-core 才能使我的项目正常工作。 eclipse 是向我安装的 hadoop 实例提交作业，还是以某种方式从我的 maven 缓存中的 hadoop-core-1.0.0.jar 运行它？

这是我的主要课程：

public class Main {
      public static void main(String[] args) throws Exception {     
        Job job = new Job();
        job.setJarByClass(Main.class);
        job.setJobName("FirstStage");

        FileInputFormat.addInputPath(job, new Path("/home/sangfroid/project/in"));
        FileOutputFormat.setOutputPath(job, new Path("/home/sangfroid/project/out"));

        job.setMapperClass(FirstStageMapper.class);
        job.setReducerClass(FirstStageReducer.class);

        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(Text.class);

        System.exit(job.waitForCompletion(true) ? 0 : 1);
      }
}

【问题讨论】：

顺便说一句，如果你只是想调试你的映射器/减速器逻辑，你应该考虑使用 MRUnit (cloudera.com/blog/2009/07/…)
@Chris White 建议从 MRUnit 开始测试 Map/Reduce 逻辑是个好主意：incubator.apache.org/projects/mrunit.html

标签： java eclipse debugging hadoop remote-debugging

【解决方案1】：

除了推荐的 MRUnit 之外，我还喜欢使用 eclipse 进行调试。我有一个主程序。它实例化一个配置并直接执行 MapReduce 作业。我只是使用标准的 Eclipse 调试配置进行调试。因为我在我的 mvn 规范中包含了 hadoop jar，所以我的类路径中包含所有 hadoop 本身，我不需要针对我安装的 hadoop 运行它。我总是在本地目录中使用小型数据集进行测试，以使事情变得简单。配置的默认行为就像一个独立的 hadoop（文件系统可用）

【讨论】：

感谢您的回答。我也将 hadoop-core 设置为我的 POM 中的依赖项。既然是这种情况，为什么我会收到“没有设置作业 jar 文件”错误？是因为我在调用 job.setJarByClass() 吗？能否请您发布一些示例代码？

【解决方案2】：

在 Eclipse 中调试 hadoop 的唯一方法是在本地模式下运行 hadoop。原因是，每个 map reduce 任务都在自己的 JVM 中运行，当您不在本地模式下使用 hadoop 时，eclipse 将无法调试。

当您将 hadoop 设置为本地模式时，而不是使用 hdfs API（这是默认设置），hadoop 文件系统将更改为 file:///。因此，运行hadoop fs -ls 将不是一个hdfs 命令，而是更多hadoop fs -ls file:///，一个本地目录的路径。 JobTracker 或 NameNode 均未运行。

这些博文可能会有所帮助：

【讨论】：

嗨@Kapil，您所描述的内容在 Hadoop 2.4 中是可能的（使用 Yarn 等）。我正在尝试使用新版本在 Eclipse 中运行本地作业并面临Cannot initialize Cluster. Please check your configuration...
@PedroDusso 你有本地调试来使用 Hadoop 2.4+ 吗？
@erichfw 我从未尝试过...我在问这个问题时使用的是 2.2。

【解决方案3】：

我还喜欢通过带有 MRUnit 的单元测试进行调试。我将把它与approvaltests 结合使用，它可以创建Map Reduce 过程的简单可视化，并且可以很容易地传递失败的场景。它还可以从 eclipse 无缝运行。

例如：

HadoopApprovals.verifyMapReduce(new WordCountMapper(), 
                         new WordCountReducer(), 0, "cat cat dog");

将产生输出：

[cat cat dog] 
-> maps via WordCountMapper to ->
(cat, 1) 
(cat, 1) 
(dog, 1)

-> reduces via WordCountReducer to ->
(cat, 2) 
(dog, 1)

这里有一个关于这个过程的视频：http://t.co/leExFVrf

【讨论】：

【解决方案4】：

在/bin/hadoop (hadoop-env.sh) 脚本中进行更改。检查以查看已触发的命令。如果命令为jar，则只添加远程调试配置。

if [ "$COMMAND" = "jar" ] ; then
  exec "$JAVA" -Xdebug -Xrunjdwp:transport=dt_socket,server=y,address=8999 $JAVA_HEAP_MAX $HADOOP_OPTS $CLASS "$@"
else
  exec "$JAVA" $JAVA_HEAP_MAX $HADOOP_OPTS $CLASS "$@"
fi

【讨论】：

我并没有完全尝试过，但我用 jdb 替换了 $JAVA（我试图使用 jdb 进行调试）。 jdb 从未识别出我试图放置在我希望程序停止的位置的断点。我假设问题是我没有在本地模式下运行。我还没有尝试过，但我假设 Kapil D 的建议是我需要遵循的。
您也可以将调试选项添加到 shell 的 $HADOOP_OPTS 变量中，而不必修改 hadoop 脚本。 export HADOOP_OPTS="$HADOOP_OPTS -Xdebug -Xrunjdwp:transport=dt_socket,server=y,address=8999"

【解决方案5】：

可以通过 HADOOP_OPTS 环境变量向 hadoop 的内部 java 命令添加 args：

export HADOOP_OPTS="-Xdebug -Xrunjdwp:transport=dt_socket,server=y,address=5005,suspend=y"

【讨论】：

【解决方案6】：

您可以通过-Dmapreduce.map.java.opts传递调试参数。例如，您可以运行 HBase Import 并在调试模式下运行映射器：

yarn jar your/path/to/hbase-mapreduce-2.2.5.jar import
     -Dmapreduce.map.speculative=false 
     -Dmapreduce.reduce.speculative=false 
     -Dmapreduce.map.java.opts="-Xdebug -Xrunjdwp:transport=dt_socket,server=y,address=5005,suspend=y" 
     my_table /path/in/hdfs

请注意，这必须放在一行中，没有新行。其他 map-reduce 应用程序可以以相同的方式启动，诀窍是通过 -Dmapreduce.map.java.opts 传递调试指令。

在 Eclipse 或 IntelliJ 中，您必须创建一个调试远程连接

Host=127.0.0.1 (or even a remote IP address in case Hadoop runs elsewhere)
Port=5005

我设法以这种方式调试导入。此外，您可以将映射器的数量限制为 1，如 here 所述，但这对我来说不是必需的。

一旦启动 map-reduve 应用程序，切换到您的 IDE 并尝试启动您的调试设置，这将在开始时失败。重复此操作，直到调试器挂接到应用程序。不要忘记事先设置断点。

如果您不想只调试您的应用程序，还想调试周围的 HBase/Hadoop 框架，您可以下载它们 here 和 here（通过“切换分支/标签”菜单按钮选择您的版本）。

【讨论】：