hadoop学习；大数据集在HDFS中存为单个文件；安装linux下eclipse报错解决；查看.class文件插件
sudo apt-get install eclipse
安装后打开eclipse，提示出错
An error has occurred. See the log file
/home/pengeorge/.eclipse/org.eclipse.platform_3.7.0_155965261/configuration/1342406790169.log.
打开log文件，看到下面的错误
!SESSION 2012-07-16 10:46:29.992 -----------------------------------------------
eclipse.buildId=I20110613-1736
java.version=1.7.0_05
java.vendor=Oracle Corporation
BootLoader constants: OS=linux, ARCH=x86, WS=gtk, NL=zh_CN
Command-line arguments: -os linux -ws gtk -arch x86
!ENTRY org.eclipse.osgi 4 0 2012-07-16 10:46:31.885
!MESSAGE Application error
!STACK 1
java.lang.UnsatisfiedLinkError: Could not load SWT library. Reasons:
no swt-gtk-3740 in java.library.path
no swt-gtk in java.library.path
Can't load library: /home/pengeorge/.swt/lib/linux/x86_64/libswt-gtk-3740.so
Can't load library: /home/pengeorge/.swt/lib/linux/x86/libswt-gtk.so
把相关文件拷贝到~/.swt/lib/linux/x86下即可
cp /usr/lib/jni/libswt-*3740.so ~/.swt/lib/linux/x86_64然后重启就可以了
eclipse在usr/lib/eclipse下
http://www.blogjava.net/hongjunli/archive/2007/08/15/137054.html 解决查看.class文件
一个典型的hadoop工作流会在别的地方生成数据文件（如日志文件），再将这些复制到HDFS中，接着由Mapreduce处理这个数据，通常不会直接读取一个HDFS文件，它们依靠MAPReduce框架读取，并将之解析为独立的记录（键/值对），除非指定数据的导入与导出，否则几乎用不到编程来读写HDFS文件
Hadoop文件命令既可以与HDFS文件系统交互，也可以和本地文件系统交互,也可以与Amazon S3文件系统交互
hadoop fs -mkdir /user/chuck创建文件夹 hadoop fs -ls/查看 hadoop fs -lsr /查看子目录 hadoop fs -put example.txt . 添加文件到/user/chuck后面的点相当于/user/chuck
注意这里的example.txt是放在根目录用户下，比如student用户，可以是 /home/student/example.txt 以上操作将本地文件放入hdfs
当你把数据放入HDFS可以运行hadoop处理，处理过程将输出一组新的HDFS文件，查看hadoop fs -cat /user/chuck/pg20417.txt 读取hadoop fs -get /user/chuck/pg20417.txt
可以在hadoop中使用UNIX的管道hadoop fs -cat /user/chuck/pg20417.txt | head 查看最后一千字节hadoop fs -tail /user/chuck/pg20417.txt
删除文件hadoop fs -rm /user/chuck/pg20417.txt
查看Hadoop命令帮助，例如要了解ls 则可以hadoop fs -help ls
Hadoop命令行有个getMerge用于将HDFS复制到本地计算机文件之前进行合并，在Hadoop用于文件操作的主类位于org.apache.hadoop.fs
输入数据被分到不同节点之后，节点间的数据交换在“洗牌”阶段，节点间通信的唯一时间是“洗牌”阶段，这个通信约束对可扩展性有极大的帮助
MapReduce提供了一种序列化键值对的方法，因此只有那些这些序列化的类能够在这个框架中充当键或者值，实现Writable接口的可以是值，实现WritableComparable<T>接口的可以是键和值，键需要比较。一些预定义的类实现writablecomparable接口ti
实现的方法有：如何读入数据，如何写出数据，数据的排序比较
可以开始第一阶段mapper，一个类要作为mapper，需要继承mapreducebase基类和实现mapper接口
构造方法void configure(JobConif job)提取xml配置文件，或者应用程序主类中的参数，在数据处理之前调用该函数
析构方法void close（）mapper结束前的一个方法，完成所有结尾工作，如关闭数据库连接，打开文件等。
mapper只有一个方法map，用于处理一个单独的键值对
reduce函数，通过迭代处理那些与指定键相关联的值，生成一个（可能为空）列表
在mapper和reduce之间还有个极其重要的步骤：将mapper的结果输出给不同的reducer，这就是partitioner的工作
多个reducer实现并行计算，默认的做法是对键进行散列来确定reducer，hadoop通过国HashPartitionner来强制执行这个策略，但有时会让你出错
（上海，北京）和（上海，广州），这两行可以被送到不同的reducer航线离港地，若以上海为key，则处理两次，若以北京为离港地，为key，也是处理两次，若以广州为可以，也是处理两次，这时北京和广州为key的各自两次就是多余的
这时我们应该对partitioner量身定制，只需要对departure进行散列，相同离港地的航线送往同一个reducer
一个partitioner需要实现configure函数（将hadoop作业应用在partitioner上），实现getPartition（）函数（返回一个介于0到reduce任务数之间的整数，指向键值对要发送的reducer）
由partitioner决定键放入的位置（哪个reducer）
HDFS支持将多个文件合并成一个大文件到HDFS处理（效率还高点）处理后满足MapReduce使用，MapReduce处理的原则之一就是将输入数据分割成块, 这些快可以在多台计算机上并行处理，在hadoop术语这些被称之为输入分片（Input split），这些分片应足够小实现粒度并行，也不能太小
FSDataInputStream扩展了java.io.DataInputStream以支持随机读，MapReduce需要这个特性，因为一台机器可能被指派从输入文件的中间开始处理一个分片，如果没有随机访问，则需要从头一直读到分片的位置
HDFS为了存储MapReduce并行切分和处理的数据所做的设计，HDFS按块存储并分布在多个机器上，每个文件块为一个分片，如果每个分片/块都由它所在的机器进行处理，就自动实现了并行，多个节点负责数据块以实现可靠性，MapReduce可以任意选择一个包含分片/数据块副本的节点
输入分片是一种逻辑划分，而HDFS数据块是对输入数据的物理划分，当它们一致时，效率非常高，但在实际中从未达到完全一致，记录可能会跨过数据块的边界，处理特定分片的计算节点会从一个数据块中获取记录的一个片段