调用MapReduce对文件中各个单词出现的次数进行统计

需求描述

要求：

1.将待分析的文件（不少于10000英文单词）上传到HDFS。

2.调用MapReduce对文件中各个单词出现的次数进行统计。

3.将统计结果下载本地。

注意：需要实现的是调用MapReduce对文件中各个单词出现的次数进行统计。要求在Linux系统中实现上述操作。首先要安装Ubuntu系统，然后要配置Java环境，安装JDK。Ubuntu提供了一个健壮，功能丰富的计算环境。

环境介绍

Ubuntu 14.04

Hadoop 2.6.0（伪分布式）

Eclipse 3.8

实验步骤

一、准备环境

1. 安装Eclipse

 

安装完成后打开eclipse

2. 在Eclipse中创建项目并添加需要用到的JAR包

第一次打开需要填写workspace(工作空间)，保持默认即可

选择“File->New->Java Project”菜单，开始创建一个Java工程

添加需要的jar包，为了编写一个能够与HDFS交互的Java应用程序，一般需要向Java工程中添加以下JAR包：
（1）”/usr/local/hadoop/share/hadoop/common”目录下的hadoop-common-2.7.1.jar和haoop-nfs-2.7.1.jar；
（2）/usr/local/hadoop/share/hadoop/common/lib”目录下的所有JAR包；
（3）“/usr/local/hadoop/share/hadoop/hdfs”目录下的haoop-hdfs-2.7.1.jar和haoop-hdfs-nfs-2.7.1.jar；
（4）“/usr/local/hadoop/share/hadoop/hdfs/lib”目录下的所有JAR包。
比如，如果要把“/usr/local/hadoop/share/hadoop/common”目录下的hadoop-common-2.7.1.jar和haoop-nfs-2.7.1.jar添加到当前的Java工程中，可以在界面中点击目录按钮，进入到common目录，然后，界面会显示出common目录下的所有内容

3. 编写并编译运行Java应用程序

鼠标右键点击你创建的工程，选择“New->Class”菜单，

我这里是之前做的一个实验判断HDFS中是否存在某文件，程序名为HDFSFileIfExist.java，程序代码如下

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
public class HDFSFileIfExist {
    public static void main(String[] args){
        try{
            String fileName = "test";
            Configuration conf = new Configuration();
            conf.set("fs.defaultFS", "hdfs://localhost:9000");
            conf.set("fs.hdfs.impl", "org.apache.hadoop.hdfs.DistributedFileSystem");
            FileSystem fs = FileSystem.get(conf);
            if(fs.exists(new Path(fileName))){
                System.out.println("文件存在");
            }else{
                System.out.println("文件不存在");
            }
 
        }catch (Exception e){
            e.printStackTrace();
        }
    }
}

4.编译运行程序

在开始编译运行程序之前，请一定确保Hadoop已经启动运行，如果还没有启动，需要打开一个Linux终端，输入以下命令启动Hadoop：

cd /usr/local/hadoop
./sbin/start-dfs.sh
jps#执行出现namenode secondnode datanode证明启动成功

 现在就可以编译运行上面编写的代码。可以直接点击Eclipse工作界面上部的运行程序的快捷按钮，当把鼠标移动到该按钮上时，在弹出的菜单中选择“Run As”，继续在弹出来的菜单中选择“Java Application”

 到这里说明eclipse运行所需要的环境都没问题，接下来就是执行MapReduce程序完成这次实验的要求：词频统计。

 

二、调用MapReduce对文件中各个单词出现的次数进行统计

1.配置 eclipse运行MapReduce需要的插件及环境请参考下面的文章：

使用Eclipse编译运行MapReduce程序_Hadoop2.6.0_Ubuntu/CentOS_厦大数据库实验室博客 (xmu.edu.cn)

2.配置好需要的插件后创建MapReduce程序

点击File选择new project 按照下图操作：

创建好后鼠标右键点击新建class 名称取WordCount即可。

3.程序代码（在WordCount.java输入下面代码）

package org.apache.hadoop.examples;
 
import java.io.IOException;
import java.util.Iterator;
import java.util.StringTokenizer;
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.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;
 
public class WordCount {
    public WordCount() {
    }
 
    public static void main(String[] args) throws Exception {
        Configuration conf = new Configuration();
        String[] otherArgs = (new GenericOptionsParser(conf, args)).getRemainingArgs();
        if(otherArgs.length < 2) {
            System.err.println("Usage: wordcount <in> [<in>...] <out>");
            System.exit(2);
        }
 
        Job job = Job.getInstance(conf, "word count");
        job.setJarByClass(WordCount.class);
        job.setMapperClass(WordCount.TokenizerMapper.class);
        job.setCombinerClass(WordCount.IntSumReducer.class);
        job.setReducerClass(WordCount.IntSumReducer.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);
 
        for(int i = 0; i < otherArgs.length - 1; ++i) {
            FileInputFormat.addInputPath(job, new Path(otherArgs[i]));
        }
 
        FileOutputFormat.setOutputPath(job, new Path(otherArgs[otherArgs.length - 1]));
        System.exit(job.waitForCompletion(true)?0:1);
    }
 
    public static class IntSumReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
        private IntWritable result = new IntWritable();
 
        public IntSumReducer() {
        }
 
        public void reduce(Text key, Iterable<IntWritable> values, Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException {
            int sum = 0;
 
            IntWritable val;
            for(Iterator i$ = values.iterator(); i$.hasNext(); sum += val.get()) {
                val = (IntWritable)i$.next();
            }
 
            this.result.set(sum);
            context.write(key, this.result);
        }
    }
 
    public static class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable> {
        private static final IntWritable one = new IntWritable(1);
        private Text word = new Text();
 
        public TokenizerMapper() {
        }
 
        public void map(Object key, Text value, Mapper<Object, Text, Text, IntWritable>.Context context) throws IOException, InterruptedException {
            StringTokenizer itr = new StringTokenizer(value.toString());
 
            while(itr.hasMoreTokens()) {
                this.word.set(itr.nextToken());
                context.write(this.word, one);
            }
 
        }
    }
}

4.运行：右键选择Run as ->run on Hadoop

显示已存在output文件就删除，不存在input文件就创建

cd /usr/local/hadoop
./bin/hdfs dfs -rm -r output    #删除output文件夹
./bin/hdfs dfs -mkdir input    #创建input文件 如果出错就加上  -p

 5.为了方便命令行执行java打包的程序，先创建一个test文件夹保存打包的程序

mkdir /usr/local/hadoop/test

 

在工程名称“WordCount”上点击鼠标右键，在弹出的菜单中选择“Export”，弹出下图界面之后点击Next，再接着点Next


4.点击"Finsh“之后弹出以下界面之后可以点击ok，忽略它

 在运行程序之前，需要启动Hadoop，启动Hadoop之后，需要首先删除HDFS中与当前Linux用户hadoop对应的input和output目录，命令上面有。

在Linux本地文件系统中新建的文件上传到HDFS的“/user/hadoop/input”目录下（我是在网上找10000字的英语文章），命令如下：

cd /usr/local/hadoop
./bin/hdfs dfs -put ./wordtets.txt input    #wordtest.txt是待词频统计的文本文件
./bin/hdfs dfs -ls input    #查看是否上传成功

最后查看文本已经上传成功了

使用hadoop jar命令运行程序，命令如下
 

cd /usr/local/hadoop
./bin/hadoop jar ./test/WordCount.jar input output

 

 最后查看统计结果：

./bin/hdfs dfs -cat output/part-r-00000

出现统计结果

 下载统计结果到本地：

./bin/hdfs dfs -get output
ls    #出现的output目录就是下载到本地的统计结果
cat ./output/part-r-00000    #结果和HDFS上的output中的一样

 这样全部要求就完成了