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
在这里插入图片描述

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。
在这里插入图片描述输入内容:

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
在这里插入图片描述
在Hadoop WebUI界面上查看目录是否创建成功
在这里插入图片描述
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
在这里插入图片描述
在Hadoop WebUI界面上查看words.txt文件是否上传成功
在这里插入图片描述

二,使用IDEA创建Maven项目

1.选择【Maven】,选择【jdk】版本,单击【Next】按钮
在这里插入图片描述

2.输入项目名称为:MRWordCount,单击【Finish】按钮
在这里插入图片描述3.创建成功,弹出如下界面
在这里插入图片描述

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>                                                  

在这里插入图片描述
2.单击【maven】,单击那个刷新按钮,它会自动下载相关依赖
在这里插入图片描述
3.下载完成后,那个红色的感叹号会变成勾
在这里插入图片描述

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
在这里插入图片描述2.在弹出的【Create Resource Bundle】对话框中输入:log4j,单击【OK】按钮
在这里插入图片描述

(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
在这里插入图片描述

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】
在这里插入图片描述
2.在弹出的【new package】对话框中输入net.army.mr,按下回车键
在这里插入图片描述
3.成功创建
在这里插入图片描述

(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】
在这里插入图片描述2.在弹出的对话框输入WordCountMapper,按下回车键
在这里插入图片描述
3.成功创建示例图如下
在这里插入图片描述

(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
在这里插入图片描述
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FileInputFormatFileOutputFormat

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
在这里插入图片描述运行WordCountDriver程序,查看结果
在这里插入图片描述

  • 15
    点赞
  • 108
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 7
    评论
### 回答1: Hadoop WordCount是一种基于Hadoop框架的词频统计方法,它可以对大规模的文本数据进行分布式处理,实现高效的词频统计。该方法的基本原理是将文本数据分割成若干个小块,然后分别在不同的计算节点上进行处理,最后将结果合并起来得到最终的词频统计结果。Hadoop WordCount已经成为了大规模数据处理领域中的经典案例,被广泛应用于各种数据分析和挖掘任务中。 ### 回答2: Hadoop是一个开源的分布式数据处理框架,它可以对大规模数据进行处理、存储和分析,其中最著名的应用就是MapReduce模型。而词频统计Wordcount)是MapReduce模型的入门案例,它用于统计输入文本中每个单词出现的频率。 首先,需要将文本数据划分成小的数据块(input splits),每个数据块被分配给集群中的某个节点。然后,MapReduce框架会将每个数据块传递给map函数,map函数负责将每个数据块中的单词拆分并输出为一个键值对(key-value pair),其中key是单词,value是1。例如,对于输入数据“hello world hello”,map函数将输出三个键值对:{hello,1},{world,1},{hello,1}。 随后,MapReduce框架将键值对按照key进行排序,并分成若干个分区(partition)。每个分区中的键值对被传递给reduce函数,reduce函数将每个单词的出现次数相加,并输出为一个新的键值对,其中key是单词,value是该单词在文本中出现的总次数。例如,对于上面的三个键值对,reduce函数将输出一个键值对:{hello,2},以此统计出单词hello在文本中出现了两次。 最终,MapReduce框架将reduce函数的输出写入到指定的输出路径中,完成词频统计。 总的来说,Hadoop Wordcount词频统计是一个经典的分布式计算案例,在学习Hadoop分布式计算和MapReduce模型时,都会选择这个案例作为入门练习。通过使用Hadoop Wordcount,可以更好地理解MapReduce框架及其编程模型,掌握Big Data相关知识。 ### 回答3: Hadoop WordCount是一种分布式计算框架,其用于在Hadoop集群上进行词频计数。词频计数是一种常见的数据处理任务,用于计算给定文本中每个单词出现的次数。因此,Hadoop WordCount被广泛用于大规模文本数据处理,例如Web爬虫数据、语音识别数据以及社交媒体数据等。 实现Hadoop WordCount涉及三个过程:Map、Shuffle和Reduce。在Map过程中,输入数据按照键值对的形式传递给Map函数进行处理,此时的键值对是文本中的每行(或者文本块)。Map函数对输入数据进行处理,将每个单词解析出来,并将它们作为键,值为1建立键值对输出。在Shuffle过程中,将输出的键值对根据键进行分组,Shuffle过程将把同一个键的不同值聚合在一起。在Reduce过程中,将每个键的所有值进行合并,并且计算每个键出现的次数。最后得到的结果是每个单词在文本中出现的次数,它们被保存在一个输出文件中。 Hadoop WordCount的概念是易于理解的,而它的框架实现使得它很容易就可以扩展到大型文本数据集的处理。这种框架实现是通过多个计算节点分配任务来实现的,每个节点都可以独立地进行任务处理,不需要在集群中的任何节点中进行全局通信和同步。因此,它可以在不过多耗费时间和资源的情况下快速地处理大量数据。 总体而言,Hadoop WordCount是一种非常实用且高效的数据处理方法,它不仅在数据的处理速度上具有优势,在容错能力和数据可扩展性方面也表现出色。随着大数据的发展,它将在数据处理和分析的未来中扮演重要的角色。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 7
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

梁辰兴

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值