一、需求
在给定的文本文件中统计输出每一个单词出现的总次数
创建wc.txt
,内容如下
atguigu atguigu
ss ss
cls cls
jiao
banzhang
xue
hadoop
期望输出数据
atguigu 2
banzhang 1
cls 2
hadoop 1
jiao 1
ss 2
xue 1
二、实操步骤
1. 环境准备
- 创建maven工程
- 在
pom.xml
中添加如下依赖配置
<dependencies>
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>4.12</version>
</dependency>
<dependency>
<groupId>org.apache.logging.log4j</groupId>
<artifactId>log4j-slf4j-impl</artifactId>
<version>2.12.0</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>3.1.4</version>
</dependency>
</dependencies>
客户端的依赖版本按照实际情况修改,我用的是3.1.4
- 在项目的src/main/resources目录下,新建一个文件,命名为“log4j2.xml”,在文件中填入:
<?xml version="1.0" encoding="UTF-8"?>
<Configuration status="error" strict="true" name="XMLConfig">
<Appenders>
<!-- 类型名为Console,名称为必须属性 -->
<Appender type="Console" name="STDOUT">
<!-- 布局为PatternLayout的方式,
输出样式为[INFO] [2018-01-22 17:34:01][org.test.Console]I'm here -->
<Layout type="PatternLayout"
pattern="[%p] [%d{yyyy-MM-dd HH:mm:ss}][%c{10}]%m%n" />
</Appender>
</Appenders>
<Loggers>
<!-- 可加性为false -->
<Logger name="test" level="info" additivity="false">
<AppenderRef ref="STDOUT" />
</Logger>
<!-- root loggerConfig设置 -->
<Root level="info">
<AppenderRef ref="STDOUT" />
</Root>
</Loggers>
</Configuration>
2. 编写程序
2.1 编写Mapper类
package cn.menglangpoem.wordcount;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
// 泛型的具体类型要根据具体业务进行更改 他们分别为 输入的key和value对应的类型 以及 输出的kv对应的类型
public class WcMapper extends Mapper<LongWritable, Text,Text, IntWritable> {
// 为了节省内存,提前将对象创建好
private Text word = new Text();
private IntWritable one = new IntWritable(1);
/**
* 框架将数据拆成一行一行输入进来,我们把数据变成(单词,1)的形式
* @param key 行号
* @param value 行内容
* @param context 任务本身
* @throws IOException
* @throws InterruptedException
*/
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
// 拿到框架传来的一行数据
String line = value.toString();
// 根据我们的文件内容,我们按照一个“空格”将字符串进行拆分
String[] words = line.split(" ");
// 将数据以(单词,1)的形式写回框架
for (String word : words) {
this.word.set(word);
context.write(this.word,this.one);
}
}
}
2.2 Reducer类
package cn.menglangpoem.wordcount;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
public class WcReducer extends Reducer<Text, IntWritable,Text,IntWritable> {
private IntWritable result = new IntWritable();
/**
* 框架把数据按照单词分好组输入给我们,我们将同一个单词的次数相加。
* @param key 单词
* @param values 这个单词的所有的1
* @param context 任务本身
* @throws IOException
* @throws InterruptedException
*/
@Override
protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
// 进行累加
int sum = 0;
for (IntWritable value : values) {
sum += value.get();
}
// 对结果进行包装并写出
result.set(sum);
context.write(key,result);
}
}
2.3 编写Driver驱动类
package cn.menglangpoem.wordcount;
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.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import java.io.File;
import java.io.IOException;
public class WcDriver {
public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {
// 1. 获取Job实例
Job job = Job.getInstance(new Configuration());
// 2. 设置jar包
job.setJarByClass(WcDriver.class);
// 3. 设置Mapper和Reducer
job.setMapperClass(WcMapper.class);
job.setReducerClass(WcReducer.class);
// 4. 设置Map和Reduce的输出类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
// 5. 设置输入输出文件(此处是进行本地调试还是在集群运行的关键) 不要导错包,是lib包下的
/*
本地调试代码示例
FileInputFormat.setInputPaths(job,new Path("d:/wc.txt"));
FileOutputFormat.setOutputPath(job,new Path("d:/output")); // 输出目录必须不存在
*/
// 集群测试示例 根据输入的参数确定目录
FileInputFormat.setInputPaths(job,new Path(args[0]));
FileOutputFormat.setOutputPath(job,new Path(args[1]));
// 6. 提交Job
boolean b = job.waitForCompletion(true);
System.exit(b ? 0 : 1);
}
}
注意本地测试和集群测试的不同,本地测试输入输出路径都是本地文件,而集群测试一般是通过输入参数确定路径
三、测试
1. 本地测试
将Driver
驱动类的路径改为本地路径,启动驱动类即可实现本地测试(前提要配置好Windows的Hadoop客户端环境)。
2. 集群测试
2.1 打包
2.2 在集群测试
将jar
包上传到某一台服务器,再将输入文件上传到HDFS中,执行如下命令;
hadoop jar wc.jar cn.menglangpoem.wordcount.WcDriver /wc.txt /ouput
四个参数依次为:
- jar包路径
- 驱动类包全路径
- HDFS中输入文件路径
- HDFS中输出路径(路径必须不存在)