Mapper类
我们自定义MyMapper类并继承Mapper,
import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
/**
* KEYIN:输入数据的k类型,默认偏移量
* VALUEIN:该行内容,字符串,hadoop.io.Text下的Text
* KEYOUT:输出数据的k类型,Text
* VALUEOUT:输出数据的v类型,1
* */
public class MyMapper extends Mapper<LongWritable, Text, Text, IntWritable>{
protected void map(LongWritable key, Text value,
Context context)
throws IOException, InterruptedException {
String[] wordsArr = value.toString().split(" ");//按照空格切割value,得到一个数组
//得到数组,开始遍历
for (int i = 0; i < wordsArr.length; i++) {
String word = wordsArr[i];//取出数组中的值
Text outKey = new Text(word);//字符串
IntWritable outValue = new IntWritable(1);//单词出现一次,就是1
context.write(outKey, outValue);//向外输出
}
}
}
map输出数据要经过聚合,调用比较器。优先调用自定义比较器,若未自定义,就调用默认的比较器(按照ASCII值比较)。聚合后的数据value为1 。
分区器不用管,于是此刻数据就是“K-V-P”,之后放到内存缓冲区、溢写。之后调用比较器,键K的比较器就是Text。
关于Text的比较,源码Comparator提供了比较方法,比较ASCII值,使用字典序。
@Override
public int compare(byte[] b1, int s1, int l1,
byte[] b2, int s2, int l2) {
int n1 = WritableUtils.decodeVIntSize(b1[s1]);
int n2 = WritableUtils.decodeVIntSize(b2[s2]);
return compareBytes(b1, s1+n1, l1-n1, b2, s2+n2, l2-n2);
}
a和b的ASCII分别为65、66,所以a在前,b在后。
Reducer类
自定义MyReducer类继承Reducer,参数四个类型。上一步Mapper的输出作为Reducer的输入。
传进来的iter就是“假迭代器”。比较键(单词,比较ASCII值)经过比较之后单词都是一样的,经过迭代累加后,输出。
package com.husky.hadoop.wc;
import java.io.IOException;
import java.util.Iterator;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
public class MyReducer extends Reducer<Text, IntWritable, Text, IntWritable>{
@Override
protected void reduce(Text key, Iterable<IntWritable> iter,
Context context) throws IOException, InterruptedException {
int sum = 0;
for(IntWritable i : iter){
sum+=i.get();
}
context.write(key, new IntWritable(sum));
}
}
客户端
客户端先和RM联系,通过配置文件,知道集群内角色在哪。
package com.husky.hadoop.wc;
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.hdfs.server.namenode.FSAclBaseTest;
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.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
public class MyWC {
public static void main(String[] args) throws Exception {
客户端自动读取配置文件,并把配置信息加载到conf对象中
Configuration conf = new Configuration(true);
//job
Job job = Job.getInstance(conf);
FileSystem fs = FileSystem.get(conf);
//必须要配置的,入口类
job.setJarByClass(MyWC.class);
//设置job name
job.setJobName("wc");
//设置Mapper和Reducer
job.setMapperClass(MyMapper.class);
job.setReducerClass(MyReducer.class);
//设置输出的K-V类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
//设置reduce的数量,默认1
job.setNumReduceTasks(1);
//设置计算输入数据,path就是hdfs上的文件路径
FileInputFormat.addInputPath(job, new Path("/user/root/test.txt"));
//设置计算输出目录,最后的计算结果要在这该目录中
//该目录必须不存在,否则计算容易出错。submitter.submitJobInternal(Job.this, cluster)
//方法中调用了checkSpecs(job)方法来检查该目录是否存在。
Path outPath = new Path("/output/wc/");
if (fs.exists(outPath)) { //如果目录存在就删除
fs.delete(outPath,true);
}
FileOutputFormat.setOutputPath(job, outPath);
//开始执行
boolean f = job.waitForCompletion(true);
if (f) {
System.out.println("MapReduce程序执行成功!");
}
}
}
执行
把编写的这几个类,export成一个jar包,并上传。执行以下命令:
#最后的参数为包名+类名
hadoop jar ./MyWC.jar com.husky.hadoop.wc.MyWC
在执行的过程中,jps会出现YarnChild和MRAppMaster进程。
执行结束,结果文件就已经按照字典序排好顺序了,且会打印出我们的输出信息:
根据为我们提供的插件查看结果:
注意
笔者在进行以上操作时,遇见了以下问题:
这里省略了一万行报错信息...
Note: System times on machines may be out of sync. Check system time and time zones.
报错信息提示我的集群时间并不同步,导致我的task跑不起来。
解决方案:
安装ntpdate工具
yum -y install ntp ntpdate
设置系统时间与网络时间同步
ntpdate cn.pool.ntp.org
最后
WordCount案例是最简单的入门案例,我们需要和MR整个流程对应起来,这能帮助我们理解掌握Shrffle机制原理。所以,这个小案例,最好能做到手写并口述流程。