上一篇文章我们测试了hadoop自带的词频统计,本节将使用java完成自定义的词频统计。
1 系统、软件和前提约束
- 完成java访问HDFS服务
https://www.jianshu.com/p/386cd966c04f - 测试了hadoop自定义的词频统计
https://www.jianshu.com/p/327d2af3903d
2 操作
- 1 在java访问HDFS的那个项目中,加入以下的测试类:
package net.wanho.mr;
import java.io.IOException;
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;
public class WordCount {
public static void main(String[] args) {
try {
//System.setProperty("hadoop.home.dir", "C:\\hadoop-2.7.2");
Configuration conf = new Configuration();
//conf.set("mapreduce.cluster.local.dir", "C:\\hadoop-2.7.2");
Job job = Job.getInstance(conf);
//指定本次mr job jar包运行主类
job.setJarByClass(WordCount.class);
//指定本次mr 所用的mapper combine reducer类分别是什么
job.setMapperClass(TokenizerMapper.class);
job.setCombinerClass(IntSumReducer.class);
job.setReducerClass(IntSumReducer.class);
//指定本次mr 最终输出的 k v类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
//设置输入路径和输出路径,都是接受命令行参数
FileInputFormat.addInputPath(job, args[0]);
FileOutputFormat.setOutputPath(job, args[1]);
//提交程序
job.waitForCompletion(true);
} catch (Exception e) {
e.printStackTrace();
}
}
/**
* reducer阶段处理的类
* Reducer<Text, IntWritable, Text, IntWritable>
* Text:就是reducer阶段输入的数据key类型,对应mapper的输出key类型 在本案例中 就是单词 Text
* IntWritable:就是reducer阶段输入的数据value类型,对应mapper的输出value类型 在本案例中 就是单词次数 IntWritable .
* Text:就是reducer阶段输出的数据key类型 在本案例中 就是单词 Text
* IntWritable:阶段输出的数据value类型 在本案例中 就是单词的总次数 IntWritable
*
*/
public static class IntSumReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
private IntWritable result = new IntWritable();
public void reduce(Text key, Iterable<IntWritable> values,
Reducer<Text, IntWritable, Text, IntWritable>.Context context)
throws IOException, InterruptedException {
int sum = 0;
for (IntWritable val : values) {
sum += val.get();
}
this.result.set(sum);
context.write(key, this.result);
}
}
/**
* mapper阶段业务逻辑实现的类
*
* Mapper<Object, Text, Text, IntWritable>
*
* Object:表示mapper数据输入的时候key的数据类型,在默认的读取数据组件下,叫InputFormat,它的行为是一行一行的读取待处理的数据
* 读取一行,返回一行给我们的mr程序,这种情况下 keyin就表示每一行的起始偏移量 因此数据类型是Long
*
* Text:表述mapper数据输入的时候value的数据类型,在默认的读取数据组件下 valuein就表示读取的这一行内容
* 因此数据类型是String
*
* Text 表示mapper数据输出的时候key的数据类型 在本案例当中 输出的key是单词 因此数据类型是 String
*
* IntWritable表示mapper数据输出的时候value的数据类型 在本案例当中 输出的key是单词的次数 因此数据类型是 Integer
*
*/
public static class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable> {
private static final IntWritable one = new IntWritable(1);
public void map(Object key, Text value, Mapper<Object, Text, Text, IntWritable>.Context context)
throws IOException, InterruptedException {
// 拿到一行记录
String line = value.toString();
// 分割这条记录
String[] words = line.split(" ");
for (String word : words) {
// 使用mr程序的上下文context 把mapper阶段处理的数据发送出去,作为reduce节点的输入数据
context.write(new Text(word), one);
}
}
}
}
- 2 将项目打成jar包,作者将此jar包命名为wordcount.jar,上传到hadoop所在的linux服务器,作者将此jar包上传到了/root目录下
- 3 执行以下命令
# 切换到家目录
cd
# 进行词频统计
hadoop-2.5.2/bin/yarn jar wordcount.jar WordCount /word /output1
# 查看统计结果
hadoop-2.5.2/bin/hdfs dfs -cat /output1/part-r-00000
上面的操作就是我们通过java代码自定义词频统计的过程。