java - Obteniendo la excepción de la clase cascading.tap.hadoop.io.MultiInputSplit not found mientras se ejecuta el programa hadoop usando el marco en cascada

Question

Aquí está mi código que se conecta a la máquina de hadoop y realiza un conjunto de validación y escribe en otro directorio.

 public class Main{
public static void main(String...strings){
System.setProperty("HADOOP_USER_NAME", "root");
String in1 = "hdfs://myserver/user/root/adnan/inputfile.txt";
String out = "hdfs://myserver/user/root/cascading/temp2";
Properties properties = new Properties();
AppProps.setApplicationJarClass(properties, Main.class);
HadoopFlowConnector flowConnector = new HadoopFlowConnector(properties);
Tap inTap = new Hfs(new TextDelimited(true, ","), in1);
Tap outTap = new Hfs(new TextDelimited(true, ","), out);
Pipe inPipe = new Pipe("in1");
Each removeErrors = new Each(inPipe, Fields.ALL, new BigFilter());
GroupBy group = new GroupBy(removeErrors, getGroupByFields(fieldCols));
Every mergeGroup = new Every(group, Fields.ALL, new MergeGroupAggregator(fieldCols), Fields.RESULTS);
FlowDef flowDef = FlowDef.flowDef()
.addSource(inPipe, inTap)
.addTailSink(mergeGroup, outTap);
flowConnector.connect(flowDef).complete();

}

Mi trabajo está siendo enviado a la máquina hadoop. Puedo verificar esto en el rastreador de trabajo. pero el trabajo se está fallando y estoy recibiendo una excepción a continuación.

cascading.tap.hadoop.io.MultiInputSplit no encontrado en org.apache.hadoop.mapred.MapTask.getSplitDetails (MapTask.java:348) en org.apache.hadoop.mapred.MapTask.runOldMapper (MapTask.java:389) en org.apache.hadoop.mapred.MapTask.run (MapTask.java:333) en org.apache.hadoop.mapred.Child $ 4.run (Child.java:268) en java.security.AccessController.doPrivileged (método nativo) en javax.security.auth.Subject.doAs (Subject.java:415) en org.apache.hadoop.security.UserGroupInformation.doAs (UserGroupInformation.java:1408) en org.apache.hadoop.mapred.Child.main (Child .java: 262) Causado por: java.lang.ClassNotFoundException: Clase cascading.tap.hadoop.io.MultiInputSplit no encontrada en org.apache.hadoop.conf.Configuration.getClassByName (Configuration.java:1493) en org.apache. hadoop.mapred.MapTask.getSplitDetails (MapTask.java:346) ... 7 más

java.lang.ClassNotFoundException: clase cascading.tap.hadoop.io.MultiInputSplit no encontrada en org.apache.hadoop.conf.Configuration.getClassByName (Configuration.java:1493)

Tenga en cuenta que: 1. Estoy ejecutando esto desde mi máquina de Windows y hadoop está configurado en una caja diferente. 2. Estoy usando la distribución cloudera para hadoop que es CDH 4.

Answer 1

Su archivo de propiedades está vacío, por lo que es posible que su configuración para este trabajo esté desactivada en el clúster. Debe proporcionar la configuración que está utilizando a HadoopFlowController . La información contenida en los archivos de configuración de Hadoop encontrados al llamar a la new Configuration pertenece a su objeto de Properties como fs.default.name=file://// . Imagino que esto es aún más cierto cuando se ejecuta un Trabajo en cascada a través del "cable".

Answer 2

tengo el problema CDH 4.2 tiene problemas con la conexión en cascada 2.1. Así que cambié a CDH 4.1 y funcionó para mí.