WordCount代码编写
承接上文,基本工作就准备完毕,接下来可以开始编写Mapper、Reducer和Driver的代码了。
Mapper
Mapper文件的代码如下,不要直接复制,很多内容是由IDEA自己完成的,直接复制容易出错,建议新建好文件后手敲。编写时尤其要注意导包的问题,在使用IDEA的时候拼写某个词的时候,因为很多包都会有某个词,所以在选择的时候一定要选择hadoop相关的包,IDEA会帮你添加上面这几行import,自己先把这几个import添加了也可以。然后还有一点要注意的是,再导入mapreduce相关的包的时候,会发现有两种,一种是mapred这种,另一种时mapreduce这种,前者对应的hadoop2.x版本,后者对应hadoop3.x,我们这里用的时hadoop3.x所以选择后者。切记不要导错包了。
部分内容,会在代码的注释中解释,至于mapreduce的原理这篇文章就不说了。
该类继承Mapper这个类,使该类具有Mapper的功能,后面括号中的 LongWritable, Text, Text, IntWritable,这四个模板参数,见下面的PARA(参数的意义)这个注释。
父类Mapper类中主要有几个方法要说一下,在IDEA中按住ctrl点击代码中的Mapper可以进去看一下,分别为setip、run、map、cleanup。
setup在run前执行,cleanup在run后执行,run方法中会循环执行map方法,map方法是我们需要在现在这个类中重写的,这个方法中主要执行业务相关的内容。
在map方法中,因为我们是要读取文本中的文字,而且要一行行读取,所以要准备一个对象接收。为什么不能直接用参数中的Text类型呢,因为Text类型没有实现像java中的String类型这么多的方法,尤其我们需要用java自带的String.split方法分割单词,所以把参数先转化为一个String对象。然后用“空格”切割得到String数组,每个项存储一个单词。
之后我们遍历整个数组,把每个单词变成<key,value>这种键值对的形式。如果我们直接在map方法中去创建对象,那么for对每个word都会生成新的对象,每个word都会生成一个对象,另外,在run方法中会循环调用map,所以我们在类中建两个private变量来帮助处理word。我们要把单词整理成kv形式,例如遇见abc单词,我们把它变成<"abc", 1>这种,因为遇见一次,所以是1,也固定是1,不会是2,这个1会在后面的reduce阶段进行统计。然后这里对每个单词用hadoop自带的Text和IntWritable两个类自带的方法去将输出布置好。
context是用来管理mapper与reducer的连接的问题,调用context方法,把输出结果交上去。那么Mapper文件就准备ok了。
package com.xunn.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 java.io.IOException;
/**
* PARA:
* KEYIN map阶段输入的key的类型:LongWritable
* VALUEIN map阶段输入value的类型:Text
* KEYOUT map阶段的输出的Key类型:Text
* VALUEOUT map阶段输出的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, Mapper<LongWritable, Text, Text, IntWritable>.Context context) throws IOException, InterruptedException {
// 获取一行
String line = value.toString();
// 切割行
String[] words = line.split(" ");
// 循环写出
for (String word : words) {
//封装
outK.set(word);
//写出
context.write(outK, outV);
}
}
}
Reducer
同样的,在Reducer中也创建一个private的IntWritable作为输出的类型。
reduce方法中的Iterable<IntWritable> values这个参数是一个集合,不是迭代器,这个类是collection类的祖先。这个reduce方法的前两个参数的意思是这样的<"abc", {1,1,1,1,1}>。Text乐星为key,value是个集合。我们用for循环遍历这个values,这个values是个value的集合。用get获取v,并用sum累加。这样就处理好了这个key。然后因为继承了Reducer类,所有该类中继承自父类的run方法会循环调用reduce,从而依次处理不同的key。
最后转化成IntWritable类型并交给context对象处理输出。
package com.xunn.mapreduce.wordcount;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
/**
* PARA:
* KEYIN reduce阶段输入的key的类型:Text
* VALUEIN reduce阶段输入value的类型:IntWritable
* KEYOUT reduce阶段的输出的Key类型:Text
* VALUEOUT reduce阶段输出的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;
// 累加
// (abc, (1,1)) vulues对应的是(1,1)这个部分
for (IntWritable value : values) {
sum += value.get();
}
outV.set(sum);
// 写出
context.write(key, outV);
}
}
Driver
WordCountDriver这个类集成Driver类,这个WordCountDriver的写法比较固定。
主要就是利用job对象完成各种映射操作。
将所编写的这三个类作为参数,告诉job谁是Driver,谁是Mapper,谁是Reducer。然后设置map的输出类型。再设置整个job的输出类型。注意,都是键值对。
然后设置好输入输出路径,即把job和输入文件所在的文件夹的路径绑定在一起,把job和输出文件所在的文件夹的路径绑定在一起,其中确保输出的指定路径不存在这个名字的文件夹,否则会抛异常。
最后用 job.waitForCompletion(true); 这种写法提交job。模仿官方的example的形式写一个system.exit。
package com.xunn.mapreduce.wordcount;
// driver套路比较固定
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.io.nativeio.NativeIO;
import java.io.IOException;
public class WordCountDriver {
public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {
// 获取job
Configuration conf = new Configuration();
Job job = Job.getInstance(conf);
// 设置jar包路径
// 通过WordCountDriver这个全类名 反射 获取jar包路径信息
job.setJarByClass(WordCountDriver.class);
// 关联mapper与reducer
job.setMapperClass(WordCountMapper.class);
job.setReducerClass(WordCountReducer.class);
// 设置map输出的kv类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
// 设置最终输出的kv类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
// 设置输入路径和输出路径
FileInputFormat.setInputPaths(job, new Path("D:\\DARoom\\Hadoop\\somefiles\\inputD"));
FileOutputFormat.setOutputPath(job, new Path("D:\\DARoom\\Hadoop\\somefiles\\output1"));
// 提交job
boolean result = job.waitForCompletion(true);
// 模仿官方的wordcount案例加一个syste.exit
System.exit(result ? 0 : 1);
}
}
下篇文章可能会写,导包的问题,也可能会写一些遇到的问题。