wordcount编程实现

最新推荐文章于 2023-06-27 16:23:15 发布

白子安

最新推荐文章于 2023-06-27 16:23:15 发布

阅读量367

点赞数 1

分类专栏：大数据学习

本文链接：https://blog.csdn.net/qq_38189195/article/details/88069179

版权

大数据学习专栏收录该内容

2 篇文章 0 订阅

订阅专栏

1.pom.xml

<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
  <modelVersion>4.0.0</modelVersion>
  <groupId>com.bogdata.mr.wcdemo</groupId>
  <artifactId>WordcountMapper</artifactId>
  <version>0.0.1-SNAPSHOT</version>
  
  <dependencies>
 
   <dependency>
    <groupId>org.apache.hadoop</groupId>
    <artifactId>hadoop-mapreduce-client-core</artifactId>
    <version>2.6.4</version>
</dependency>
  
  <dependency>
    <groupId>org.apache.hadoop</groupId>
    <artifactId>hadoop-mapreduce-client-jobclient</artifactId>
    <version>2.6.4</version>
    <scope>provided</scope>
</dependency>

<dependency>
    <groupId>org.apache.hadoop</groupId>
    <artifactId>hadoop-mapreduce-client-common</artifactId>
    <version>2.6.4</version>
</dependency>

<dependency>
    <groupId>org.apache.hadoop</groupId>
    <artifactId>hadoop-common</artifactId>
    <version>2.6.4</version>
</dependency>
 
 <dependency>
    <groupId>commons-io</groupId>
    <artifactId>commons-io</artifactId>
    <version>2.6</version>
</dependency>

<dependency>
            <groupId>jdk.tools</groupId>
            <artifactId>jdk.tools</artifactId>
            <version>1.7</version>
            <scope>system</scope>
            <systemPath>${JAVA_HOME}/lib/tools.jar</systemPath>
</dependency>
  </dependencies>
  
</project>

2.WordcountMapper

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：默认情况下，是mr框架所读到的一行文本的起始偏移量，Long，但是数据
 * 要经过网络传输就需要序列化，hadoop中有自己更精简的序列化接口，所以不用
 * Long，而用LongWritable
 * 
 * VALUEIN：默认情况下，是mr框架所读到的一行文本内容，String,同上，用Text
 * 
 * KEYOUT：是用户自定义逻辑处理完成后输出数据的key，此处是单词，String,同上，用Text
 * VALUEOUT：单词次数，integer,同上，用intwriable
 * @author bhj
 *
 */

public class WordcountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {

	/**
	 * map阶段的业务逻辑就写在自定义的map()方法中
	 * maptask会对每一行输入数据调用一次我们自定义的map()方法
	 * maptask会把东西收集在一起形成个文件再发给reduce
	 */
	@Override
	protected void map(LongWritable key, Text value,Context context) throws IOException, InterruptedException {
		
		//将maptask传给我们的文本内容先转换为string
		String line = value.toString();
		//根据空格将这一行切分成单词
		String[] words = line.split(" ");
		
		//将单词输出为<单词，1>
		for (String word : words) {
			//将单词作为key，将次数1作为value，以便于后续的数据分发，可以根据单词分发，以便于单词会到相同的reduce task
			//起始mapper已经定义好了类型
			context.write(new Text(word), new IntWritable(1));
		}
		
	}	
	
}

3.WordcountReducer

import java.io.IOException;

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



/**
 * KEYIN, VALUEIN与mapper输出的KEYOUT, VALUEOUT对应
 * 
 * KEYOUT, VALUEOUT是自定义reduce逻辑处理结果的输出数据类型
 * KEYOUT 是单词
 * VALUEOUT是总次数
 * @author bhj
 *
 */
public class WordcountReducer extends Reducer<Text, IntWritable, Text, IntWritable>{

	/**
	 * <hello,1>,<hello,1>,<hello,1>,<hello,1>,<hello,1>,把所有的1加起来就是总数
	 * <banana，1>，<banana，1>，<banana，1>，<banana，1>
	 * 输入参数key，是一组相同单词kv对的key
	 */
	@Override
	protected void reduce(Text key, Iterable<IntWritable> values,Context context)throws IOException, InterruptedException {
		
		int count = 0;
		
		/**
		 * 写法一
		 * Iterator<IntWritable> iterator = values.iterator();
		   while (iterator.hasNext()) {
			count += iterator.next().get();			
		}
		 */
		
		//第二种写法
		for (IntWritable value : values) {
			
			count += value.get();
		}
		
		//会写在一个文件中，每个reduce task会写一个文件
		context.write(key, new IntWritable(count));
		
	}
	
}

4.WordcountDriver

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;




/**
 * 相当于一个yarn集群的客户端
 * 需要在此封装我们的mr程序的相关参数，指定jar包
 * 最后交给yarn，请求yarn，然后把jar发过去
 * @author bhj
 *
 */

public class WordcountDriver {

	
	public static void main(String[] args) throws Exception {
		
		Configuration conf = new Configuration();
		
		//这两个参数不需要配置，运行在linux系统时，hadoop有配置文件
		//conf.set("mapreduce.framework.name", "yarn");
		//conf.set("yarn.resourcemanager.hostname", "node1");
		
		//传入一些默认配置
		Job job = Job.getInstance(conf);
		
		// job.setJar("/home/hadoop/wc.jar"); 不好
		//指定本程序的jar包所在的本地路径
		job.setJarByClass(WordcountDriver.class);
		
		
		//指定本业务job要使用的mapper业务类
		job.setMapperClass(WordcountMapper.class);
		job.setReducerClass(WordcountReducer.class);
		
		//指定mapper输出数据的kv类型
		job.setMapOutputKeyClass(Text.class);
		job.setMapOutputValueClass(IntWritable.class);
		
		//指定最终输出的数据的kv类型
		job.setOutputKeyClass(Text.class);
		job.setOutputValueClass(IntWritable.class);
		
		//指定job的输入原始文件所在目录,可以写多个目录
		FileInputFormat.setInputPaths(job,new Path(args[0]));
		//指定job的输出结果所在目录
		FileOutputFormat.setOutputPath(job,new Path(args[1]));
		
		/**
		 * 将job中配置的相关参数，以及job所用的java类所在的jar包，提交给yarn去运行
		 * job.submit();  Submit the job to the cluster and return immediately.
		 * job.waitForCompletion(true); Submit the job to the cluster and wait for it to finish
		 * true表示要返回结果
		 */
		boolean completion = job.waitForCompletion(true);
		
		//终止当前正在运行的 Java 虚拟机。参数用作状态码；根据惯例，非 0 的状态码表示异常终止。
		System.exit(completion?0:1);
		
	}
	
	
}