一、Hadoop的MapRduce编写WordCount
简单版的WordCount示例需要三个java类,*Mapper、*Reducer和*Driver,其中*Mapper和*Reducer这两个类有需要继承的父类。
1、创建WordCountMapper类,继承Mapper,并且重写其中的map方法
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable>{
@Override
protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, IntWritable>.Context context)
throws IOException, InterruptedException {
//获取文本中的每一行
String lines = value.toString();
//每一行按照空格键进行分割,得到单词数组
String[] words = lines.split(" ");
//把每个单词输出到reducer
for (String word : words) {
context.write(new Text(word), new IntWritable(1));
}
}
}
2、创建WordCountReducer类,继承Reducer,并且重写其中的reduce方法
import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable>{
@Override
protected void reduce(Text key, Iterable<IntWritable> values,
Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException {
int count = 0;
for (IntWritable value : values) {
count += value.get();
}
context.write(key, new IntWritable(count));
}
}
3、创建WordCountDriver类
import org.apache.hadoop.conf.Configuration;
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.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
public class WordCountDriver {
public static void main(String[] args) throws Exception {
// 创建hadoop的配置信息对象
Configuration conf = new Configuration();
// 配置提交到yarn上运行,windows和Linux变量不一样
Job job = Job.getInstance(conf);
//指定job任务的main方法所在类
job.setJarByClass(WordCountDriver.class);
//指定job任务的mapper和reducer
job.setMapperClass(WordCountMapper.class);
job.setReducerClass(WordCountReducer.class);
//指定mapper的输出kv类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
//指定reducer的输出kv类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
//指定job输入文件的原始目录
FileInputFormat.setInputPaths(job, args[0]);
//指定job输出目录
FileOutputFormat.setOutputPath(job, new Path(args[1]));
//提交任务
// job.submit();
boolean result = job.waitForCompletion(true);
System.exit(result?0:1);
}
}
4、打成jar包命名为hadoop_wordcount.jar,并且拷贝到hadoop集群中
5、执行hadoop_wordcount.jar程序
(1)启动hadoop集群
小提示:namedode和resourcemanager如果不是同一台机器,不能在namenode所在机器上启动yarn,应该在 resourcemanager所在机器上启动yarn,所以,不能在namenode所在机器上直接使用sbin/start-all.sh命令,这样启动 resourcemanager会失败的(亲自踩过这个坑)
sbin/start-hdfs.sh --启动hdfs
sbin/start-yarn.sh --启动yarn
(2)执行jar包程序
hadoop jar hadoop_wordcount.jar com.hadoop.wordcount.WordCountDriver /input/input.txt /output
以上代码解释:“hadoop jar”是hadoop执行jar包的命令
“hadoop_wordcount.jar”是jar包的名称
“com.hadoop.wordcount.WordCountDriver”是驱动程序(WordCountDriver)所在的全路径类名
“/input/input.txt”是输入文件的位置,默认这个路径是存在hdfs上的
“/output”是输出文件存放的位置,默认是输出到hdfs上,程序执行之后,会自动创建output目录,所以刚开始不存 在这个目录
二、spark中运行WordCount示例,在spark-shell中演示,基于scala编写
1、启动spark集群
sbin/start-all.sh
2、启动spark-shell
bin/spark-shell
3、代码编写
//创建一个RDD,这里就用spark目录下的README.md文本做演示
val textRDD = sc.textFile("file:///spark/README.md")
//对单词进行分割,并且做成一个RDD
val wordRDD = textRDD.flatMap(_.split(" "))
//把每个单词做成一个(key,1)的形式
val mapRDD = wordRDD.map((_,1))
//进行单词的统计
val countRDD = mapRDD.reduceByKey(_+_)
//保存到文件中
countRDD.saveAsTextFile("file:///spark/output")
保存成功之后,在output目录生成“part-”开头的文件,然后就可以查看了。
(有错误的地方,希望大牛们能够指出,小弟一定改正)