大数据之路-WordCount系列-1-问题

花了几天时间，本地eclipse搭建成功了wordcount程序，其结构是：

eclipse跑WordCount小程序、调用大数据文件、单词计数、结果落地大数据。

搭建eclipse环境还是花了不少时间，大体的一些配置如下：

集成eclipse插件（网上可以找到）：

首先项里的MR配置（本地地址，存放一些文件）：

配置hadoop远程库（这个就好比plsql配置数据库地址一样）：

以上3步配置完，在启动wordcount还是报了很多错误，参考以下链接文章：

http://zy19982004.iteye.com/blog/2024467

能遇到的问题基本都遇到了，主要问题还是jar包版本、大数据版本、hadoopHome下相关文件版本 不兼容导致。

笔主后面经过大量试错，调式成功了，点击图片下载相关文件（提取码：5gk9）：

 

WordCount代码如下：

package com.dahui.mr;

import java.io.IOException;
import java.net.URI;
import java.util.StringTokenizer;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.log4j.PropertyConfigurator;

/**
 * @author 方琼辉 20170515
 * */
public class WordCount {
	
	static{
		PropertyConfigurator.configure("D:/HDFSHome/log4j.properties");
	}
		
	// 编写自己的Mapper,需要继承org.apache.hadoop.mapreduce.Mapper
	public static class TokenizerMapper extends
			Mapper<Object, Text, Text, IntWritable> { // 输入的<Key,Value>的类型,输出的<Key,Value>
		// 作为类中成员变量
		private final static IntWritable one = new IntWritable(1);
		private Text word = new Text();
		//FSOutputSummer
		// key : offset 偏移量,几乎可以忽略
		// value : one line string 一行的数据
		// context : the context of computer 计算的上下文
		public void map(Object key, Text value, Context context)
				throws IOException, InterruptedException {
			StringTokenizer itr = new StringTokenizer(value.toString());
			while (itr.hasMoreTokens()) {
				word.set(itr.nextToken());
				context.write(word, one);
			}
		}
	}

	// 编写自己的Reducer,需要继承org.apache.hadoop.mapreduce.Reducer
	public static class IntSumReducer extends
			Reducer<Text, IntWritable, Text, IntWritable> {
		private IntWritable result = new IntWritable();

		public void reduce(Text key, Iterable<IntWritable> values,
				Context context) throws IOException, InterruptedException {
			int sum = 0;
			for (IntWritable val : values) {
				sum += val.get();
			}
			result.set(sum);
			context.write(key, result);
		}
	}

	// 主函数开始运行JOB
	public static void main(String[] args) throws Exception {
		System.setProperty("hadoop.home.dir", "D:/HDFSHome");
		Configuration conf = new Configuration();
		Job job = Job.getInstance(conf, "word count");
		job.setJarByClass(WordCount.class);
		job.setMapperClass(TokenizerMapper.class);
		job.setCombinerClass(IntSumReducer.class);
		job.setReducerClass(IntSumReducer.class);
		job.setOutputKeyClass(Text.class);
		job.setOutputValueClass(IntWritable.class);
		
		FileSystem fs=FileSystem.get(new URI("hdfs://namenode:8020"), conf);
		fs.delete(new Path("hdfs://namenode:8020/user/hdfs/test/wordcount/ous"),true);
		
		FileInputFormat.addInputPath(job, new Path("hdfs://namenode:8020/user/hdfs/test/wordcount/ins"));
		FileOutputFormat.setOutputPath(job, new Path("hdfs://namenode:8020/user/hdfs/test/wordcount/ous"));
		//job.monitorAndPrintJob();
		System.exit(job.waitForCompletion(true) ? 0 : 1); // 提交JOB成功,退出JVM虚拟机
		
	}
}

现在本地eclipse可以欢快的debug进行代码跟踪，深入学习啦~~~~ 走到这一步也是着实不易。

带着以下几个问题，进行debug，代码跟踪：

#1. WordCount执行核心的类，相关研究。

#2. eclipse跑WordCount，MR是在远程大数据里跑的，还是在本地执行MR过程的？ 若是在本地，MR源码细节。

#3. 写一个较复杂的类似于WordCount的demo。

以上3个问题。作为下一阶段的学习方向，后续博文也依次展开。