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
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:
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
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
期望输出
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:
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:
Editplus
打开part-r-00000文件
查看输出结果:
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:
之后便可以进行打包操作。
(2)将程序打成 jar 包
(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
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
可以看到文件内容是hello.txt经过统计之后的,与hello.txt相对应: