通过经典案例WordCount代码快速上手MapReduce分布式计算框架

mapreduce快速上手

小案例：

统计HDFS的/wordcount/input/文件中的每个单词出现的次数——wordcount

明白了一点：可以在任何地方运行程序，访问HDFS上的文件并进行统计运算，并且可以把统计的结果写回HDFS的结果文件中；

但是，进一步思考：如果文件又多又大，用上面那个程序有什么弊端？

慢！因为只有一台机器在进行运算处理！ 

如何变得更快？

核心思想：让我们的运算程序并行在多台机器上执行！

map阶段： 将每一行文本数据变成<单词,1>这样的kv数据

reduce阶段：将相同单词的一组kv数据进行聚合：累加所有的v

注意点：在mapreduce程序中，

map阶段的进、出数据，

reduce阶段的进、出数据，

类型都应该是实现了HADOOP序列化框架的类型，如：

String对应Text

Integer对应IntWritable

Long对应LongWritable

编码实现

WordcountMapper类开发

package cn.edu360.mr.wc;

import java.io.IOException;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

/*
 * KEYIN:是map task读取到的数据的key的类型；是一行的起始偏移量Long
 * VALUE：是map task读取的数据value的类型：是一行的内容String
 * 
 * KEYOUT：是用户的自定义map方法返回的结果kv数据的key的类型；在wordcount逻辑中，我们需要返回的是单词String
 * VALUEOUT：是用户自定义map方法返回结果kv的value的类型：在wordcount逻辑中，我们需要返回的是整数Integer
 * 
 * 但是：在MapReduce中，map产生的数据需要传输给reduce，需要进行序列化和反序列化，而jdk中的原生序列化机制产生的数据量比较冗余，就会导致数据在MapReduce运行过程中传输效率低下
 * 所以，hadoop专门设计了自己的序列化机制，那么MapReduce中传输的数据类型就必须实现hadoop自己的序列化接口
 * 
 * hadoop为jdk中的常用基本类型Long，String,Integer,Float等数据类型封装了自己实现的hadoop序列化接口的类型：LongWriable,Text,Intwritable,Floatwritable
 * 
 * 
 */

public class WordcountMapper extends Mapper<LongWritable, Text, Text, IntWritable>{
	
	@Override
	protected void map(LongWritable key, Text value, Context context)
			throws IOException, InterruptedException {
		//切单词
		String line = value.toString();
		String[] words = line.split(" ");
		for(String word : words) {			
			context.write(new Text(word), new IntWritable(1));
		}
	
	}

}

WordcountReducer类开发

package cn.edu360.mr.wc;

import java.io.IOException;
import java.util.Iterator;

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,Context context) throws IOException, InterruptedException {
        
		int count = 0;
		
		Iterator<IntWritable> iterator = values.iterator();
		while(iterator.hasNext()){
			
			IntWritable value = iterator.next();
			count += value.get();
			
		}
		context.write(key, new IntWritable(count));
		
	}

}

JobSubmitter客户端类开发

package cn.edu360.mr.wc;


import java.net.URI;

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.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;




/*
 * 用于提交MapReduce job的客户端程序
 * 功能：
 *   1.封装本次job运行时所需要的必要参数
 *   2.到yarn进行交互，将MapReduce程序成功运行，启动；
 *   
 */
public class JobSubmitter {
	
	public static void main(String[] args) throws Exception {
		
		//在代码中设置JVM系统参数，用于给job对象来获取冯文HDFS的用户身份
		System.setProperty("HADOOP_USER_NAME","root");
		
		Configuration conf = new Configuration();
		//1.设置job运行时要访问默认的文件系统
		conf.set("fs.defaultFS","hdfs://hadoop1:9000");
		//2.设置job提交到哪里运行
		conf.set("mapreduce.framework.name", "yarn");
		conf.set("yarn.resourcemanager.hostname", "hadoop1");
		//3.如果要从windows系统上运行这个job提交客户端程序，则需要加这个跨平台提交的参数
		conf.set("mapreduce.app-submission.cross-platform", "true");
		
		
			
		
		Job job = Job.getInstance(conf);
		
		//1.封装参数：jar包所在的位置
        job.setJar("d:/wc.jar");
		//job.setJarByClass(JobSubmitter.class);
		
		//2.封装参数：本次job所要调用的Mapper实现类,Reducer实现类
		job.setMapperClass(WordcountMapper.class);
		job.setReducerClass(WordcountReducer.class);
		
		//3.封装参数：本次job的Mapper实现类产生的结果数据的key，value的类型
		job.setMapOutputKeyClass(Text.class);
		job.setMapOutputValueClass(IntWritable.class);
		
		job.setOutputKeyClass(Text.class);
		job.setOutputValueClass(IntWritable.class);
		Path output = new Path("/wordcount/output");
		FileSystem fs = FileSystem.get(new URI("hdfs://hadoop1:9000"), conf, "root");
		if(fs.exists(output)){
			fs.delete(output, true);
		}
		//4.封装参数：本次job要处理的输入数据集所在路径，最终结果的输出路径
		FileInputFormat.setInputPaths(job, new Path("/wordcount/input"));
		FileOutputFormat.setOutputPath(job, output);//注意：输出路径必须不存在
		
		//5.封装参数：想要启动的reduce task的数量
		job.setNumReduceTasks(2);
		
		//6.提交job给yarn
		boolean res = job.waitForCompletion(true);
		
		System.exit(res?0:1);
		
		
		
	}
	
	
	

}

运行mr程序

1)       将工程整体打成一个jar包并上传到linux机器上，

2)       准备好要处理的数据文件放到hdfs的指定目录中

3)      用命令启动jar包中的Jobsubmitter，让它去提交jar包给yarn来运行其中的mapreduce程序  ： 

           hadoop jar wc.jar cn.edu360.mr.wordcount.JobSubmitter.....

4)       去hdfs的输出目录中查看结果