MapReduce 编程实例：词频统计

---

MapReduce 编程实例：词频统计

启动hadoop服务，输入命令：start-all.sh

一，准备数据文件

（1）在虚拟机上创建文本文件

在export目录下，创建wordcount目录，在里面创建words.txt文件，向words.txt输入下面内容。
输入内容：

hello hadoop world
hello hive world
hello hbase world
hadoop hive hbase
I love hadoop and hive

（2）上传文件到HDFS指定目录

创建/wordcount/input目录，执行命令：hdfs dfs -mkdir -p /wordcount/input

在Hadoop WebUI界面上查看目录是否创建成功

将在本地/export/wordcount/目录下的words.txt文件，上传到HDFS的/wordcount/input目录，输入命令：hdfs dfs -put /export/wordcount/words.txt /wordcount/input

在Hadoop WebUI界面上查看words.txt文件是否上传成功

二，使用IDEA创建Maven项目

1.选择【Maven】，选择【jdk】版本，单击【Next】按钮

2.输入项目名称为：MRWordCount，单击【Finish】按钮
3.创建成功，弹出如下界面

三，添加相关依赖

1.在pom.xml文件里添加hadoop和junit依赖，内容为：

<dependencies>                                   
    <!--hadoop客户端-->                             
    <dependency>                                 
        <groupId>org.apache.hadoop</groupId>     
        <artifactId>hadoop-client</artifactId>   
        <version>3.3.4</version>                 
    </dependency>                                
    <!--单元测试框架-->                                
    <dependency>                                 
        <groupId>junit</groupId>                 
        <artifactId>junit</artifactId>           
        <version>4.13.2</version>                
    </dependency>                                
</dependencies>                                                  

2.单击【maven】，单击那个刷新按钮，它会自动下载相关依赖

3.下载完成后，那个红色的感叹号会变成勾

注：maven的下载和配置可以参考：《在IDEA中配置Maven》

四，创建日志属性文件

（1）在resources目录里创建log4j.properties文件

1.右击resources目录，单击【new】选择【resources bundle】，弹出下图界面输入log4j，单击【ok】按钮
2.在弹出的【Create Resource Bundle】对话框中输入：log4j，单击【OK】按钮

（2）log4j.properties文件添加内容

1.添加如下内容

log4j.rootLogger=INFO, stdout, logfile
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/wordcount.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n

2.添加完成实例图

五，创建词频统计映射器类

（1）创建net.army.mr包

1.右击【java】选择【new】单击【package】

2.在弹出的【new package】对话框中输入net.army.mr，按下回车键

3.成功创建

（2）在net.army.mr包下创建WordCountMapper类

1.右击【net.army.mr】包，选择【new】，单击【java class】
2.在弹出的对话框输入WordCountMapper，按下回车键

3.成功创建示例图如下

（3）为了更好理解Mapper类的作用，在map()函数里暂时不进行每行文本分词处理，直接利用context输出key和value

源码

package net.army.mr;


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

import java.io.IOException;

/**
 * 功能：词频统计映射器类
 * 作者：梁辰兴
 * 日期：2022年12月12日
 */


public class WordCountMapper extends Mapper<LongWritable, Text, LongWritable, Text> {
    @Override
    protected void map(LongWritable key, Text value, Context context)
            throws IOException, InterruptedException {
        // 直接将键值对数据传到下一个阶段
        context.write(key, value);
    }
}

六，创建词频统计驱动器类

（1）在net.army.mr包里创建WordCountDriver类

1.在弹出的对话框中输入WordCountDriver

2.向WordCountDriver类中添加以下代码：

package net.army.mr;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.LongWritable;
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;

import java.net.URI;

/**
 * 功能：词频统计驱动器类
 * 作者：梁辰兴
 * 日期：2022年12月12日
 */
public class WordCountDriver {
    public static void main(String[] args) throws Exception {
        // 创建配置对象
        Configuration conf = new Configuration();
        // 设置数据节点主机名属性
        conf.set("dfs.client.use.datanode.hostname", "true");

        // 获取作业实例
        Job job = Job.getInstance(conf);
        // 设置作业启动类
        job.setJarByClass(WordCountDriver.class);

        // 设置Mapper类
        job.setMapperClass(WordCountMapper.class);
        // 设置map任务输出键类型
        job.setMapOutputKeyClass(LongWritable.class);
        // 设置map任务输出值类型
        job.setMapOutputValueClass(Text.class);

        // 定义uri字符串
        String uri = "hdfs://master:9000";
        // 创建输入目录
        Path inputPath = new Path(uri + "/wordcount/input");
        // 创建输出目录
        Path outputPath = new Path(uri + "/wordcount/output");

        // 获取文件系统
        FileSystem fs =  FileSystem.get(new URI(uri), conf);
        // 删除输出目录（第二个参数设置是否递归）
        fs.delete(outputPath, true);

        // 给作业添加输入目录（允许多个）
        FileInputFormat.addInputPath(job, inputPath);
        // 给作业设置输出目录（只能一个）
        FileOutputFormat.setOutputPath(job, outputPath);

        // 等待作业完成
        job.waitForCompletion(true);

        // 输出统计结果
        System.out.println("======统计结果======");
        FileStatus[] fileStatuses = fs.listStatus(outputPath);
        for (int i = 1; i < fileStatuses.length; i++) {
            // 输出结果文件路径
            System.out.println(fileStatuses[i].getPath());
            // 获取文件系统数据字节输入流
            FSDataInputStream in = fs.open(fileStatuses[i].getPath());
            // 将结果文件显示在控制台
            IOUtils.copyBytes(in, System.out, 4096, false);
        }
    }
}

（2）注意导包

1.注意导包问题

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.LongWritable;
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;

import java.net.URI;

2.不要导成org.apache.hadoop.mapred包下的FileInputFormat与FileOutputFormat了

七，运行词频统计驱动器类，查看结果

统计结果之前会显示大量信息，如果不想看到统计结果之前的大堆信息，可以修改log4j.properties文件，将INFO改为ERROR
运行WordCountDriver程序，查看结果