Mapreduce中WordCount源码理解

0. MapReduce介绍

Hadoop MapReduce是一个软件框架，可以轻松编写应用程序，以可靠、容错的方式在大型集群(数千个节点)的商用硬件上并行处理大量数据(多tb数据)。
MapReduce作业通常将输入数据集分割成独立的块，这些块由map任务以完全并行的方式处理。框架对映射的输出进行排序，然后将其输入到reduce任务中。通常，作业的输入和输出都存储在文件系统中。框架负责调度任务，监视它们并重新执行失败的任务。
MapReduce框架由单个主ResourceManager、每个集群节点一个工作NodeManager和每个应用程序MRAppMaster组成。
应用程序指定输入/输出位置，并通过适当的接口和/或抽象类的实现提供map和reduce功能。这些和其他作业参数组成了作业配置。

然后Hadoop作业客户端将作业(jar/可执行文件等)和配置提交给ResourceManager, ResourceManager负责将软件/配置分发给worker，调度任务并监视它们，向作业客户端提供状态和诊断信息。

Inputs and Outputs
MapReduce框架只<k,v>键值对进行操作，也就是说，框架将作业的输入视为一组对，并产生一组<k,v>键值对作为作业的输出，可以想象不同类型。 键和值类必须是框架可序列化的，因此需要实现Writable接口。此外，·键类必须实现WritableComparable接口·，以便于根据框架进行排序。

(input) <k1, v1> -> map -> <k2, v2> -> combine -> <k2, v2> -> reduce -> <k3, v3> (output).

1. 词频统计的代码

/**
 * 词频统计
 */
public class WordCount {

    /**
     * Map类需要继承Mapper
     */
    public static class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable> {
        private final static IntWritable one = new IntWritable(1);
        private Text word = new Text();
        public void map(Object key, Text value, Context context) throws IOException, InterruptedException {
            //每一行字符串进行处理
            StringTokenizer itr = new StringTokenizer(value.toString());
            while (itr.hasMoreTokens()) {
                word.set(itr.nextToken());
                context.write(word, one);
            }
        }
    }
    /**
     * reduce操作
     */
    public static class IntSumReducer extends Reducer<Text,IntWritable,Text,IntWritable> {
        private IntWritable result = new IntWritable();
        public void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
            //计数器累加
            int sum = 0;
            for (IntWritable val : values) {
                sum += val.get();
            }
            result.set(sum);
            context.write(key, result);
        }
    }

    public static void main(String[] args) throws Exception {
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf, "word count");
        //windows异构平台运行 需要添加如下属性
        conf.set("mapreduce.app-submission.cross-platform","true");
        job.setJar("D:\\devproject\\devcode\\code\\bigdata\\target\\bigdata-1.0-SNAPSHOT.jar");
        //设置要运行的类
        job.setJarByClass(WordCount.class);
        //设置Mapper类
        job.setMapperClass(TokenizerMapper.class);
        //设置Combine
        //ob.setCombinerClass(IntSumReducer.class);
        job.setReducerClass(IntSumReducer.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);
        FileInputFormat.addInputPath(job, new Path("hdfs://node01:9000/data/wc/input/data.txt"));
        FileOutputFormat.setOutputPath(job, new Path("hdfs://node01/data/wc/output"));
        System.exit(job.waitForCompletion(true) ? 0 : 1);
    }
}