Mapreduce学习（一）——mr程序wordcount

之前学习了java操作hdfs系统。现在来学习mapreduce。写一个最简单的wordcount的小程序

一、mapreduce介绍

mr框架其实是由两部分构成：第一部分就是map部分。第二部分就是reduce部分。

map是对hdfs系统上的文件进行第一次的筛选解析生成K-V的格式发送给reduce。

reduce部分就是接收map解析处理之后的K-V键值对之后。对其进行计算得到我们所需要的数据结果。

二、提交mr程序的过程（java代码部分）

1） 导依赖

   <dependencies>
        <!-- hadoop通用包 -->
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-common</artifactId>
            <version>2.6.0</version>
        </dependency>
        <!-- mapreduce框架依赖 -->
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-mapreduce-client-core</artifactId>
            <version>2.6.0</version>
        </dependency>
    </dependencies>

 2）mapper类：

import org.apache.commons.lang.StringUtils;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;

/**
 * Created by Administrator on 2018/12/9.
 * 4个泛型中，前两个是指定mapper输入数据的类型，KEYIN是输入的key的类型，VALUEIN是输入的value的类型
 * map 和 reduce 的数据输入输出都是以 key-value对的形式封装的
 * 默认情况下，框架传递给我们的mapper的输入数据中，key是要处理的文本中一行的起始偏移量，这一行的内容作为value
 */
public class WordCountMapper extends Mapper<LongWritable,Text,Text,LongWritable> {
    //mapreduce框架每读一行数据就调用一次该方法
    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        //具体业务逻辑就写在这个方法体中，而且我们业务要处理的数据已经被框架传递进来，在方法的参数中 key-value
        //key 是这一行数据的起始偏移量     value 是这一行的文本内容

        //将这一行的内容转换成string类型
        String line = value.toString();

        //对这一行的文本按特定分隔符切分
        String[] words = StringUtils.split(line, " ");

        //遍历这个单词数组输出为kv形式  k：单词   v ： 1
        for(String word : words){

            context.write(new Text(word), new LongWritable(1));

        }
    }
}

 3）reduce类

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

import java.io.IOException;

/**
 * Created by Administrator on 2018/12/9.
 * reduce类
 */
public class WordCountReducer extends Reducer<Text, LongWritable, Text, LongWritable> {
    //框架在map处理完成之后，将所有kv对缓存起来，进行分组，然后传递一个组<key,valus{}>，调用一次reduce方法
    //<hello,{1,1,1,1,1,1.....}>
    @Override
    protected void reduce(Text key, Iterable<LongWritable> values,Context context)
            throws IOException, InterruptedException {

        long count = 0;
        //遍历value的list，进行累加求和
        for(LongWritable value:values){

            count += value.get();
        }

        //输出这一个单词的统计结果

        context.write(key, new LongWritable(count));

    }
}

4）整合提交类main方法

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
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;
/**
 * Created by Administrator on 2018/12/9.
 * 用来描述一个特定的作业
 * 比如，该作业使用哪个类作为逻辑处理中的map，哪个作为reduce
 * 还可以指定该作业要处理的数据所在的路径
 * 还可以指定改作业输出的结果放到哪个路径
 * ....
 */
public class WordCountRunner {

    public static void main(String[] args) throws Exception {

        Configuration conf = new Configuration();

        Job wcjob = Job.getInstance(conf);

        //设置整个job所用的那些类在哪个jar包
        wcjob.setJarByClass(WordCountRunner.class);


        //本job使用的mapper和reducer的类
        wcjob.setMapperClass(WordCountMapper.class);
        wcjob.setReducerClass(WordCountReducer.class);


        //指定reduce的输出数据kv类型
        wcjob.setOutputKeyClass(Text.class);
        wcjob.setOutputValueClass(LongWritable.class);

        //指定mapper的输出数据kv类型
        wcjob.setMapOutputKeyClass(Text.class);
        wcjob.setMapOutputValueClass(LongWritable.class);


        //指定要处理的输入数据存放路径
        FileInputFormat.setInputPaths(wcjob, new Path("hdfs://192.168.6.117:9000/wc/srcdata/"));

        //指定处理结果的输出数据存放路径
        FileOutputFormat.setOutputPath(wcjob, new Path("hdfs://192.168.6.117:9000/wc/output/"));

        //将job提交给集群运行
        wcjob.waitForCompletion(true);


    }
}

5）导出jar包

三、提交mr过程（服务器上操作）

1）上传JAR包

2）启动相关服务（这里我直接使用全部启动命令sh start）

启动成功之后如下图

3）创建测试数据上传至hdfs指定目录（要和代码中的一致）

 通过浏览器确认是否上传成功

4）使用hadoop命令来启动jar

hadoop jar hadoop.jar main方法所在类的全限定类名

 成功之后查看是否有文件产生

可以下载下来查看或者通过命令查看

 第一个mr程序单词计数器完成

 

代码都已经上传至之前的github仓库中

地址：https://github.com/linminlm/hadoop

 

本人QQ/wechat  :  806751350

还会持续更新敬请期待！！