1.WordCount代码
自带的wordCount程序执行
本地执行
hadoop jar hadoop-mapreduce-examples-2.7.5.jar wordcount /wc/input1/ /wc/output1/
查看结果
hadoop fs -cat /wc/output1/part-r-00000
wordCount代码如下：
package com.ghgj.mapreduce.wc.demo;
import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
/**
*
* 描述: MapReduce出入门：WordCount例子程序
*/
public class WordCountMR {
/**
* 该main方法是该mapreduce程序运行的入口，其中用一个Job类对象来管理程序运行时所需要的很多参数：
* 比如，指定用哪个组件作为数据读取器、数据结果输出器 指定用哪个类作为map阶段的业务逻辑类，哪个类作为reduce阶段的业务逻辑类
* 指定wordcount job程序的jar包所在路径 .... 以及其他各种需要的参数
*/
public static void main(String[] args) throws Exception {
// 指定hdfs相关的参数
Configuration conf = new Configuration();
// conf.set("fs.defaultFS", "hdfs://hadoop02:9000");
System.setProperty("HADOOP_USER_NAME", "hadoop");
// 这是高可用的集群的配置文件。如果不是高可用集群，请自行替换配置文件
// conf.addResource("hdfs_config/core-site.xml");
// conf.addResource("hdfs_config/hdfs-site.xml");
// conf.set("mapreduce.framework.name", "yarn");
// conf.set("yarn.resourcemanager.hostname", "hadoop04");
// 通过Configuration对象获取Job对象，该job对象会组织所有的该MapReduce程序所有的各种组件
Job job = Job.getInstance(conf);
// 设置jar包所在路径
job.setJarByClass(WordCountMR.class);
// 指定mapper类和reducer类
job.setMapperClass(WordCountMapper.class);
job.setReducerClass(WordCountReducer.class);
// Mapper的输入key-value类型，由MapReduce框架决定
// 指定maptask的输出类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
// 假如 mapTask的输出key-value类型，跟reduceTask的输出key-value类型一致，那么，以上两句代码可以不用设置
// reduceTask的输入key-value类型 就是 mapTask的输出key-value类型。所以不需要指定
// 指定reducetask的输出类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
// 为job指定输入数据的组件和输出数据的组件，以下两个参数是默认的，所以不指定也是OK的
// job.setInputFormatClass(TextInputFormat.class);
// job.setOutputFormatClass(TextOutputFormat.class);
// 为该mapreduce程序制定默认的数据分区组件。默认是 HashPartitioner.class
// job.setPartitionerClass(HashPartitioner.class);
// 如果MapReduce程序在Eclipse中，运行，也可以读取Windows系统本地的文件系统中的数据
Path inputPath = new Path("D:\\bigdata\\wordcount\\input");
Path outputPath = new Path("D:\\bigdata\\wordcount\\output33");
// 设置该MapReduce程序的ReduceTask的个数
// job.setNumReduceTasks(3);
// 指定该mapreduce程序数据的输入和输出路径
// Path inputPath = new Path("/wordcount/input");
// Path outputPath = new Path("/wordcount/output");
// 该段代码是用来判断输出路径存在不存在，存在就删除，虽然方便操作，但请谨慎
FileSystem fs = FileSystem.get(conf);
if (fs.exists(outputPath)) {
fs.delete(outputPath, true);
}
// 设置wordcount程序的输入路径
FileInputFormat.setInputPaths(job, inputPath);
// 设置wordcount程序的输出路径
FileOutputFormat.setOutputPath(job, outputPath);
// job.submit();
// 最后提交任务(verbose布尔值 决定要不要将运行进度信息输出给用户)
boolean waitForCompletion = job.waitForCompletion(true);
System.exit(waitForCompletion ? 0 : 1);
}
/**
* Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT>
*
* KEYIN 是指框架读取到的数据的key的类型，在默认的InputFormat下，读到的key是一行文本的起始偏移量，所以key的类型是Long
* VALUEIN 是指框架读取到的数据的value的类型,在默认的InputFormat下，读到的value是一行文本的内容，所以value的类型是String
* KEYOUT 是指用户自定义逻辑方法返回的数据中key的类型，由用户业务逻辑决定，在此wordcount程序中，我们输出的key是单词，所以是String
* VALUEOUT 是指用户自定义逻辑方法返回的数据中value的类型，由用户业务逻辑决定,在此wordcount程序中，我们输出的value是单词的数量，所以是Integer
*
* 但是，String ，Long等jdk中自带的数据类型，在序列化时，效率比较低，hadoop为了提高序列化效率，自定义了一套序列化框架
* 所以，在hadoop的程序中，如果该数据需要进行序列化（写磁盘，或者网络传输），就一定要用实现了hadoop序列化框架的数据类型
*
* Long ----> LongWritable
* String ----> Text
* Integer ----> IntWritable
* Null ----> NullWritable
*/
static class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
/**
* LongWritable key : 该key就是value该行文本的在文件当中的起始偏移量
* Text value ： 就是MapReduce框架默认的数据读取组件TextInputFormat读取文件当中的一行文本
*/
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
// 切分单词
String[] words = value.toString().split(" ");
for (String word : words) {
// 每个单词计数一次，也就是把单词组织成<hello,1>这样的key-value对往外写出
context.write(new Text(word), new IntWritable(1));
}
}
}
/**
* 首先，和前面一样，Reducer类也有输入和输出，输入就是Map阶段的处理结果，输出就是Reduce最后的输出
* reducetask在调我们写的reduce方法,reducetask应该收到了前一阶段（map阶段）中所有maptask输出的数据中的一部分
* （数据的key.hashcode%reducetask数==本reductask号），所以reducetaks的输入类型必须和maptask的输出类型一样
*
* reducetask将这些收到kv数据拿来处理时，是这样调用我们的reduce方法的： 先将自己收到的所有的kv对按照k分组（根据k是否相同）
* 将某一组kv中的第一个kv中的k传给reduce方法的key变量，把这一组kv中所有的v用一个迭代器传给reduce方法的变量values
*/
static class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
/**
* Text key : mapTask输出的key值
* Iterable<IntWritable> values ： key对应的value的集合（该key只是相同的一个key）
*
* reduce方法接收key值相同的一组key-value进行汇总计算
*/
@Override
protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
// 结果汇总
int sum = 0;
for (IntWritable v : values) {
sum += v.get();
}
// 汇总的结果往外输出
context.write(key, new IntWritable(sum));
}
}
}
总结：
-
程序有个main方法，job对象存储了信息。指定Mapper类和Reducer类
-
TokenizerMapper 类继承了 Mapper 类
-
IntSumReducer 类继承了 Reducer 类
2.编码规范
-
编写的程序分为三个部分：Mapper，Reducer，Driver(提交运行MR程序的客户端)
-
Mapper的输入和输出数据是key-value（键值）对的形式（类型可以自定义）
-
Mapper中的业务逻辑写在map()方法中
-
map()方法（maptask 进程）对每一个<k,v>调用一次
-
Reducer 的输入数据类型对应 Mapper 的输出数据类型
-
Reducer 的业务逻辑写在 reduce()方法中
-
Reducetask 进程对每一组相同 k 的<k,v>组调用一次 reduce()方法
-
整个程序需要一个 Drvier 来进行提交，提交的是一个描述了各种必要信息的 job 对象
3.WordCount原理
（1）map阶段
maptask处理每个数据分块，读取一行，根据分隔符把单词转换成一个key-value对，比如单词 hello，就转换成<’hello’,1>发送给 reducetask 去汇总
（2）reduce阶段
reducetask 阶段将接受 maptask 的结果，来做汇总计数
4.运行方式
-
首先要把代码打成 jar 上传到 linux 服务器
-
用 hadoop jar 的命令去提交代码到 yarn 集群运行
-
处理的数据和输出结果应该位于 hdfs 文件系统
5.常用数据类型
ByteWritable： 单字节数值
IntWritable： 整型数
LongWritable： 长整型数
FloatWritable： 浮点数
DoubleWritable： 双字节数值
BooleanWritable： 标准布尔型数值
Text： 使用UTF8格式存储的文本
NullWritable： 当<key,value>中的key或value为空时使用
ImmutableBytesWritable 不可变字节类型
2764
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
