MapReduce入门详解(WordCount)

欲无缘

已于 2024-01-11 16:16:09 修改

阅读量191

点赞数 2

分类专栏： # Hadop 文章标签： mapreduce 大数据

于 2024-01-11 16:12:06 首次发布

原文链接：https://blog.csdn.net/f986153489/article/details/130488054?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522170495478216800225577755%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=170495478216800225577755&biz_id=0&utm_med

版权

Hadop 专栏收录该内容

12 篇文章 0 订阅

订阅专栏

文章目录

官方WordCount源码

为了方便查阅，我们将相关文件下载到本地查看:

注：此处mapreduce-examples文件在/opt/module/hadoop-3.1.3/share/hadoop/mapreduce目录下可以查找到

请添加图片描述

借助反编译工具查看源码:
可以看到MapReduce有大量的案例，我们找到想了解的WordCount案例如下:

请添加图片描述

可以看到，WordCount案例有驱动类、Map类、Reduce类。并且数据的类型是Hadoop自身封装的序列化类型(如Text类型对应于Java中的String类型,IntWritable类型对应于Java中的int类型)

MapReduce编程规范

用户编写的程序分成三个部分：Mapper、Reducer 和 Driver

1.Mapper-stage

(1) 用户自定义的Mapper要继承自己的父类
(2) Mapper的输入数据是KV对的形式(KV类型任意，通过泛型体现)
(3) Mapper中的业务逻辑写在map()方法中
(4) Mapper的输出数据是KV对的形式(KV类型任意，通过泛型体现)
(5) map()方法(MapTask进程)对每一个<K,V>调用一次

2.Reducer-stage

(1) 用户自定义的Reducer要继承自己的父类
(2) Reducer的输入数据类型对应Mapper的输出数据类型,也是KV
(3) Reducer中的业务逻辑写在reduce()方法中
(4) ReducTask进程对每一组相同K的<K,V>组只调用一次reduce()方法

3.Driver-stage

相当于YARN集群的客户端，用于提交我们整个程序到YARN集群，提交的是封装了MapReduce程序相关运行参数的job对象

常用数据序列化类型

请添加图片描述

可以看到除了String对应于Text类型外，其余Java数据类型的对应Hadoop类型均是在原来类型后添加Writable

WordCount案例实操

在给定文本文件中统计输出每一个单词出现的总次数

(1)输入数据

在这里插入图片描述

期望输出
在这里插入图片描述

2)需求分析

按照MapReduce编程规范，分别编写Mapper、Reducer、Driver

其中每一阶段的业务逻辑如下：

在这里插入图片描述

明确了每个阶段需要做的事情，接下来便可以准备搭环境和编写各阶段业务逻辑代码了!

3)环境准备

(1)创建新maven工程,命名为MapReduceDemo

(2)在pom.xml文件中添加如下依赖

<dependencies>
 	<dependency>
 		<groupId>org.apache.hadoop</groupId>
 		<artifactId>hadoop-client</artifactId>
 		<version>3.1.3</version>
 	</dependency>
 	<dependency>
 		<groupId>junit</groupId>
 		<artifactId>junit</artifactId>
 		<version>4.12</version>
 	</dependency>
 	<dependency>
 		<groupId>org.slf4j</groupId>
 		<artifactId>slf4j-log4j12</artifactId>
 		<version>1.7.30</version>
 	</dependency>
</dependencies>

在项目的src/main/resources目录下,新建一个文件,命名为"log4j.properties"，并在其中填入

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

(3) 创建包名:com.root.mapreduce.wordcount

(1) 编写Mapper类

package com.root.mapreduce.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 org.junit.Test;

import java.io.IOException;

/**
 * KEYIN,map时输入的key的类型 ：LongWritable
 * VALUEIN,map时输入value类型:Test
 * KEYOUT,map时输出的Key类型：Test
 * VALUEOUT,map时输出的value类型：IntWritable
 */
public class WordCountMapper extends Mapper<LongWritable,Text,Text, IntWritable> {
    private Text outK=new Text();
    private IntWritable outV=new IntWritable(1);

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        //思考：如果new Text的位置在这里，性能还是会低，因为map方法会被调用n次(这取决于源文件有多少行),每次都要new一个新的会浪费空间

        //1.获取一行
        String s = value.toString();

        //2.切割
        String[] s1 = s.split(" ");

        //3.循环写出
        for (String s2 : s1) {
            //思考：如果这里new了一个Text，那么性能会下降，因为如果读取的一行有很多数据那么每次for循环都要new一个Test，性能极度下降
            //封装outK
            outK.set(s2);
            //写出
            context.write(outK,outV);
        }
    }
}

注：这里我们把一个Text类型的变量outK和一个IntWritable类型的变量outV定义为Mapper类的成员变量，提升一部分性能。(避免每次循环都new一个新对象)

(2) 编写Reducer类

package com.root.mapreduce.wordcount;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;

/**
 * KEYIN,reduce时输入的key的类型 ：Text
 * VALUEIN,reduce时输入value类型: IntWritable
 * KEYOUT,reduce时输出的Key类型：Test
 * VALUEOUT,reduce时输出的value类型：IntWritable
 */
public class WordCountReducer extends Reducer<Text, IntWritable,Text,IntWritable> {
    private IntWritable outV=new IntWritable();
    @Override
    protected void reduce(Text key, Iterable<IntWritable> values, Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException {
        int sum=0;
        //atguigu,(1,1)

        //累加
        for (IntWritable value : values) {
            sum+=value.get();
        }
        outV.set(sum);
        //写出
        context.write(key,outV);
    }
}

注：这里同样我们把一个IntWritable类型的变量outV定义为Reducer类的成员变量，提升一部分性能。(避免每次循环都new一个新对象)

(3) 编写 Driver 驱动类

package com.root.mapreduce.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 org.apache.hadoop.yarn.webapp.hamlet2.Hamlet;

import java.io.IOException;

public class WordCountDriver {
    public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {
        //1.获取job
        Configuration conf = new Configuration();
        Job ins = Job.getInstance(conf);

        //2.设置jar包路径
        ins.setJarByClass(WordCountDriver.class);

        //3.关联mapper和reducer
        ins.setMapperClass(WordCountMapper.class);
        ins.setReducerClass(WordCountReducer.class);

        //4.设置map输出的kv类型
        ins.setMapOutputKeyClass(Text.class);
        ins.setMapOutputValueClass(IntWritable.class);

        //5.设置最终输出的kv类型
        ins.setOutputKeyClass(Text.class);
        ins.setOutputValueClass(IntWritable.class);

        //6.设置输入路径和输出路径
        FileInputFormat.setInputPaths(ins, new Path("D:\\java_learning\\input"));
        FileOutputFormat.setOutputPath(ins, new Path("D:\\java_learning\\output\\output1"));

        //7.提交job
        boolean result = ins.waitForCompletion(true);

        System.exit(result ? 0 : 1);
    }
}

运行main主函数，查看目标路径下的文件详情：

请添加图片描述

Editplus打开part-r-00000文件查看输出结果:

在这里插入图片描述

上传至集群测试

之前的步骤中，我们相当于是在本地Windows环境下运行得到的结果，实际生产中我们常常需要在集群中运行并测试，接下来我们便来看一下如何在集群上测试。

（1）用 maven 打 jar 包，需要添加的打包插件依赖

<build>
        <plugins>
            <plugin>
                <artifactId>maven-compiler-plugin</artifactId>
                <version>3.6.1</version>
                <configuration>
                    <source>1.8</source>
                    <target>1.8</target>
                </configuration>
            </plugin>
            <plugin>
                <artifactId>maven-assembly-plugin</artifactId>
                <configuration>
                    <descriptorRefs>
                        <descriptorRef>jar-with-dependencies</descriptorRef>
                    </descriptorRefs>
                </configuration>
                <executions>
                    <execution>
                        <id>make-assembly</id>
                        <phase>package</phase>
                        <goals>
                            <goal>single</goal>
                        </goals>
                    </execution>
                </executions>
            </plugin>
        </plugins>
    </build>

由于我们在集群上测试时，想要动态获取输入和输出的路径，因此我们需要把Driver程序中的如下部分做小部分修改，其中args[0]是我们之后XShell控制台输入的第一个路径参数,代表了输入路径;args[1]是XShell控制台输入的第二个路径参数,代表了输出路径:

在这里插入图片描述

之后便可以进行打包操作。

（2）将程序打成 jar 包

请添加图片描述

（3）修改不带依赖的 jar 包名称为 wc.jar，并拷贝该 jar 包到 Hadoop 集群的/opt/module/hadoop-3.1.3 路径。

注：这里可以直接从Windows环境拖动想上传的文件到XShell上，之后查看目录可以看到wc.jar已被上传

(4) 启动 Hadoop 集群

myhadoop.sh start

(5) 查看集群节点状态

jpsall

(5)执行WordCount程序

hadoop jar wc.jar com.root.mapreduce.wordcount.WordCountDriver /haha /output

在这里插入图片描述

注意这里我们输入路径是集群上的/haha路径下的文件,输出路径为/output (输出路径在程序执行前不允许有重名路径)

执行后查看/output下的文件是否存在及内容

在这里插入图片描述

可以看到文件内容是hello.txt经过统计之后的，与hello.txt相对应:

在这里插入图片描述

欲无缘

关注

2
点赞
踩
4

收藏

觉得还不错? 一键收藏
0
评论
MapReduce入门详解(WordCount)

注意这里我们输入路径是集群上的/haha路径下的文件,输出路径为/output (输出路径在程序执行前不允许有重名路径)(如Text类型对应于Java中的String类型,IntWritable类型对应于Java中的int类型)(2) Mapper的输入数据是KV对的形式(KV类型任意，通过泛型体现)(4) Mapper的输出数据是KV对的形式(KV类型任意，通过泛型体现)(3) Reducer中的业务逻辑写在reduce()方法中。(3) Mapper中的业务逻辑写在map()方法中。
复制链接

扫一扫

专栏目录