MapReduce编程(一) WordCount

一、软件环境

我使用的软件版本如下:

1. Intellij Idea 2017.1
2. Maven 3.3.9
3. macOS 本地配置Hadoop环境单服务（Docker Hadoop分布式环境( 安装教程可参考这里)）

二、创建maven工程

打开Idea,file->new->Project,左侧面板选择maven工程。(如果只跑MapReduce创建java工程即可，不用勾选Creat from archetype，如果想创建web工程或者使用骨架可以勾选) 
  

完整的工程路径如下图所示： 

三、添加maven依赖

在pom.xml添加依赖，对于hadoop 2.8.3版本的hadoop，需要的jar包有以下几个：

• hadoop-common
• hadoop-hdfs
• hadoop-mapreduce-client-core
• hadoop-mapreduce-client-jobclient

• log4j( 打印日志)

  pom.xml中的依赖如下:

   <dependencies>
          <dependency>
              <groupId>junit</groupId>
              <artifactId>junit</artifactId>
              <version>4.12</version>
          </dependency>
          <!-- hadoop 分布式文件系统类库 -->
          <dependency>
              <groupId>org.apache.hadoop</groupId>
              <artifactId>hadoop-hdfs</artifactId>
              <version>2.8.3</version>
          </dependency>
          <!-- hadoop 公共类库 -->
          <dependency>
              <groupId>org.apache.hadoop</groupId>
              <artifactId>hadoop-common</artifactId>
              <version>2.8.3</version>
          </dependency>
          <dependency>
              <groupId>org.apache.hadoop</groupId>
              <artifactId>hadoop-mapreduce-client-core</artifactId>
              <version>2.8.3</version>
          </dependency>
  
          <dependency>
              <groupId>org.apache.hadoop</groupId>
              <artifactId>hadoop-mapreduce-client-jobclient</artifactId>
              <version>2.8.3</version>
          </dependency>
  
          <dependency>
              <groupId>log4j</groupId>
              <artifactId>log4j</artifactId>
              <version>1.2.17</version>
          </dependency>
      </dependencies>

  四、配置log4j

  在src/main/resources目录下新增log4j的配置文件log4j.properties，内容如下：

  log4j.rootLogger = debug,stdout
  
  ### 输出信息到控制抬 ###
  log4j.appender.stdout = org.apache.log4j.ConsoleAppender
  log4j.appender.stdout.Target = System.out
  log4j.appender.stdout.layout = org.apache.log4j.PatternLayout
  log4j.appender.stdout.layout.ConversionPattern = [%-5p] %d{yyyy-MM-dd HH:mm:ss,SSS} method:%l%n%m%n

  五、启动Hadoop

  cd /Users/cl/service/hadoop-2.8.3/sbin
  ./start-all.sh

  访问http://localhost:50070/查看hadoop是否正常启动。
  

  六、运行WordCount(从本地读取文件)

  在工程根目录下新建input文件夹，input文件夹下新增dream.txt，随便写入一些单词:
  

  hello java
  hello hadoop

  在src/main/java目录下新建包，新增FileUtil.java，创建一个删除output文件的函数，以后就不用手动删除了。内容如下:
  

  package com.cl.hadoop;
  
  import java.io.File;
  
  public class FileUtil {
  
      public static boolean deleteDir(String path) {
          File dir = new File(path);
          if (dir.exists()) {
              for (File f : dir.listFiles()) {
                  if (f.isDirectory()) {
                      deleteDir(f.getName());
                  } else {
                      f.delete();
                  }
              }
              dir.delete();
              return true;
          } else {
              System.out.println("文件(夹)不存在!");
              return false;
          }
      }
  
  }
  

  编写WordCount的MapReduce程序WordCount.java，内容如下:

  package com.cl.hadoop;
  
  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.Mapper;
  import org.apache.hadoop.mapreduce.Reducer;
  import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
  import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
  
  import java.io.IOException;
  import java.util.Iterator;
  import java.util.StringTokenizer;
  
  /**
   * 分词统计
   */
  public class WordCount {
  
      public static class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable> {
  
          public void map(Object key, Text value, Context context) throws IOException, InterruptedException {
              //每一行的内容分割，如hello java，分割成一个String数组有两个数据，分别是hello，java
              StringTokenizer itr = new StringTokenizer(value.toString());
              //循环数组，将其中的每个数据当做输出的键，值为1，表示这个键出现一次
              while (itr.hasMoreTokens()) {
                  //context.write方法可以将map得到的键值对输出
                  context.write(new Text(itr.nextToken()), new IntWritable(1));
              }
          }
  
      }
  
      //自定义的Reducer类必须继承Reducer，并重写reduce方法实现自己的逻辑，泛型参数分别为输入的键类型，值类型；输出的键类型，值类型；之后的reduce类似
      public static class IntSumReduce extends Reducer<Text, IntWritable, Text, IntWritable> {
  
          public void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
              //key为每一个单独的单词，如：hello，world，you，me等
              //value为这个单词在文本中出现的次数集合，如{1,1,1}，表示总共出现了三次
              int sum = 0;
              IntWritable val;
              //循环value，将其中的值相加，得到总次数
              for (Iterator i = values.iterator(); i.hasNext(); sum += val.get()) {
                  val = (IntWritable) i.next();
              }
              //context.write输入新的键值对（结果）
              context.write(key, new IntWritable(sum));
          }
      }
  
      public static void main(String[] args)
              throws IOException, ClassNotFoundException, InterruptedException {
  
          FileUtil.deleteDir("output");
          Configuration conf = new Configuration();
  
          String[] otherArgs = new String[]{"input/dream.txt", "output"};
          if (otherArgs.length != 2) {
              System.err.println("Usage:Merge and duplicate removal <in> <out>");
              System.exit(2);
          }
  
          Job job = Job.getInstance(conf, "WordCount");
          job.setJarByClass(WordCount.class);
          job.setMapperClass(WordCount.TokenizerMapper.class);
          job.setReducerClass(WordCount.IntSumReduce.class);
          job.setOutputKeyClass(Text.class);
          job.setOutputValueClass(IntWritable.class);
          FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
          FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
          System.exit(job.waitForCompletion(true) ? 0 : 1);
      }
  }

  运行完毕以后，会在工程根目录下增加一个output文件夹，打开output/part-r-00000，内容如下:

  hadoop	1
  hello	2
  java	1

  运行过程

  这里在main函数中新增了一个String类型的数组，如果想用main函数的args数组接受参数，在运行时指定输入和输出路径也是可以的。运行WordCount之前，配置Configuration并指定Program arguments即可。 
  
  

  七、运行WordCount(从HDFS读取文件)

在HDFS上新建文件夹:

hadoop fs -mkdir /worddir

如果出现Namenode安全模式导致的不能创建文件夹提示：

mkdir: Cannot create directory /worddir. Name node is in safe mode.

运行以下命令关闭safe mode:

hadoop dfsadmin -safemode leave

上传本地文件:

hadoop fs -put dream.txt /worddir

修改otherArgs参数，指定输入为文件在HDFS上的路径:

String[] otherArgs = new String[]{"hdfs://localhost:9000/worddir/dream.txt","output"};