使用MapReduce运行WordCount案例

一、准备数据

注意：准备的数据的格式必须是文本，每个单词之间使用制表符分割。编码必须是utf-8无bom

二、MR的编程规范

MR的编程只需要将自定义的组件和系统默认组件进行组合，组合之后运行即可！

三、编程步骤

①Map阶段的核心处理逻辑需要编写在Mapper中
②Reduce阶段的核心处理逻辑需要编写在Reducer中
③将编写的Mapper和Reducer进行组合，组合成一个Job
④对Job进行设置，设置后运行

四、编写程序

WCMapper.java

public class WCMapper extends Mapper<LongWritable, Text, Text, IntWritable>{
	
	private Text out_key=new Text();
	private IntWritable out_value=new IntWritable(1);//每个单词出现一次记为1
	
	// 针对输入的每个 keyin-valuein调用一次   (0，hello	hi	hello	hi)
	@Override
	protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, IntWritable>.Context context) throws Exception {
	
		System.out.println("keyin:"+key+"----keyout:"+value);
		
		String[] words = value.toString().split("\t");
		
		for (String word : words) {
			out_key.set(word);
			//写出数据(单词,1)
			context.write(out_key, out_value);
		}
			
	}
}

Mapper程序解读

1. 导包时，需注意导入 org.apache.hadoop.mapreduce包下的类(hadoop2.0的新api)

2. 自定义的类必须符合MR的Mapper的规范

3. 在MR中，只能处理key-value格式的数据
   KEYIN, VALUEIN： mapper输入的k-v类型，由当前Job的InputFormat的RecordReader决定！封装输入的key-value由RecordReader自动进行，不可自定义。
   KEYOUT, VALUEOUT： mapper输出的k-v类型，可自定义

4. InputFormat的作用：
   ①验证输入目录中的文件格式，是否符合当前Job的要求
   ②生成切片，每个切片都会交给一个MapTask处理
   ③提供RecordReader，由RR从切片中读取记录，交给Mapper进行处理

方法： List<InputSplit> getSplits： 切片
RecordReader<K,V> createRecordReader： 创建RecordReader

默认hadoop使用的是TextInputFormat，TextInputFormat使用LineRecordReader

5. 在Hadoop中，如果有Reduce阶段。通常key-value都需要实现序列化协议！
   MapTask处理后的key-value，只是一个阶段性的结果！
   这些key-value需要传输到ReduceTask所在的机器！
   将一个对象通过序列化技术，序列化到一个文件中，经过网络传输到另外一台机器，
   再使用反序列化技术，从文件中读取数据，还原为对象是最快捷的方式！

java的序列化协议： Serializable
特点：不仅保存对象的属性值，类型，还会保存大量的包的结构，子父类和接口的继承信息，很笨重。
hadoop开发了一款轻量级的序列化协议： Writable机制！

序列化是什么

• 序列化就是把内存中的对象，转换成字节序列（或其他数据传输协议）以便于存储（持久化）和网络传输。
• 反序列化就是将收到字节序列（或其他数据传输协议）或者是硬盘的持久化数据，转换成内存中的对象。

为什么要序列化

一般来说，“活的”对象只生存在内存里，关机断电就没有了。而且“活的”对象只能由本地的进程使用，不能被发送到网络上的另外一台计算机。然而序列化可以存储“活的”对象，可以将“活的”对象发送到远程计算机。

WCReducer.java

/* 
 *KEYIN, VALUEIN: Mapper输出的keyout-valueout
 *KEYOUT, VALUEOUT: 自定义		
 */		
public class WCReducer extends Reducer<Text, IntWritable, Text, IntWritable>{
	
	private IntWritable out_value=new IntWritable();
	
	// reduce一次处理一组数据，key相同的视为一组
	@Override
	protected void reduce(Text key, Iterable<IntWritable> values, Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws Exception {
		
		int sum=0;
		
		for (IntWritable intWritable : values) {
			sum += intWritable.get();
		}
		
		out_value.set(sum);
		
		//将累加的值写出
		context.write(key, out_value);
		
	}
}

WCDriver.java

/*
 * 1.启动这个线程，运行Job
 * 
 * 2.本地模式主要用于测试程序是否正确！	
 */
public class WCDriver {
	
	public static void main(String[] args) throws Exception {
		
		Path inputPath=new Path("e:/input/wordcount");
		Path outputPath=new Path("e:/output/wordcount");//保证输出目录不存在
		
		//作为整个Job的配置
		Configuration conf = new Configuration();//空参表示默认使用本地的文件系统
		
		//使用HDFS，分布式文件系统
		/*
		Path inputPath=new Path("/wordcount");
		Path outputPath=new Path("/mroutput/wordcount");
		
		conf.set("fs.defaultFS", "hdfs://hadoop101:9000");
		
		conf.set("mapreduce.framework.name", "yarn");// 在YARN上运行
		
		conf.set("yarn.resourcemanager.hostname", "hadoop102");// RM所在的机器
		*/
		
		//一定要保证输出目录不存在
		FileSystem fs=FileSystem.get(conf);
		
		if (fs.exists(outputPath)) {
			fs.delete(outputPath, true);
		}
		
		// ①创建Job
		Job job = Job.getInstance(conf);

		//job.setJar("MapReduce-0.0.1-SNAPSHOT.jar");// 告诉NM运行时，MR中Job所在的Jar包在哪里
		
		// 将某个类所在地jar包作为job的jar包
		job.setJarByClass(WCDriver.class);
			
		// 为Job创建一个名字
		job.setJobName("wordcount");
		
		// ②设置Job
		// 设置Job运行的Mapper，Reducer类型，Mapper,Reducer输出的key-value类型
		job.setMapperClass(WCMapper.class);
		job.setReducerClass(WCReducer.class);
		
		// Job需要根据Mapper和Reducer输出的Key-value类型准备序列化器，通过序列化器对输出的key-value进行序列化和反序列化
		// 如果Mapper和Reducer输出的Key-value类型一致，直接设置Job最终的输出类型
		job.setOutputKeyClass(Text.class);
		job.setOutputValueClass(IntWritable.class);
		
		// 设置输入目录和输出目录
		FileInputFormat.setInputPaths(job, inputPath);
		FileOutputFormat.setOutputPath(job, outputPath);
		
		// ③运行Job
		job.waitForCompletion(true);
			
	}
}

注意：
若要在yarn上运行：

1. 设置Job所在的Jar包

Job.setJar("jar名"); //写法一
Job.setJarByClass(类名);//写法二

2. 然后需将这三个程序打成jar包，放在集群某台机器上，使用hadoop jar命令运行

hadoop jar jar包名 主类名(WCDriver)