WordCount案例实操
1.需求
在给定的文本文件中统计输出每一个单词出现的总次数
(1)输入数据到*.txt文件,预计出现次数如下:
banzhang 1
cls 2
hadoop 1
jiao 1
ss 2
xue 1
2.需求分析
按照MapReduce编程规范,分别编写Mapper,Reducer,Driver
WordCount需求分析
3.环境准备
(1)创建maven工程
(2)在pom.xml文件中添加如下依赖
<dependencies>
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>4.12</version>
</dependency>
<dependency>
<groupId>org.apache.logging.log4j</groupId>
<artifactId>log4j-slf4j-impl</artifactId>
<version>2.12.0</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>3.1.3</version>
</dependency>
</dependencies>
(2)在项目的src/main/resources目录下,新建一个文件,命名为“log4j2.xml”,在文件中填入。
<?xml version="1.0" encoding="UTF-8"?>
<Configuration status="error" strict="true" name="XMLConfig">
<Appenders>
<!-- 类型名为Console,名称为必须属性 -->
<Appender type="Console" name="STDOUT">
<!-- 布局为PatternLayout的方式,输出样式为[INFO] [2018-01-22 17:34:01][org.test.Console]I'm here -->
<Layout type="PatternLayout" pattern="[%p] [%d{yyyy-MM-dd HH:mm:ss}][%c{10}]%m%n" />
</Appender>
</Appenders>
<Loggers>
<!-- 可加性为false -->
<Logger name="test" level="info" additivity="false">
<AppenderRef ref="STDOUT" />
</Logger>
<!-- root loggerConfig设置 -->
<Root level="info">
<AppenderRef ref="STDOUT" />
</Root>
</Loggers>
</Configuration>
4.编写程序
(1)编写Mapper类
package com.caron.mr.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;
/**
* 自定义Mapper: 继承Mapper类, 指定4个泛型. 4个泛型表示两组kv对.
*
* 4个泛型 表示两组kv对, 一组是输入数据的kv ,一组是输出数据的kv
*
* 输入数据的kv:
* KEYIN : LongWritable , 表示从文件中读取数据的偏移量. (读取到了什么位置,下一次从哪个位置读取)
* VALUEIN : Text , 表示从文件中读取的一行数据.
*
* 输出数据的kv:
* KEYOUT : Text, 表示一个单词
* VALUEOUT: IntWritable , 表示单词出现了1次.
*/
public class WordCountMapper extends Mapper<LongWritable, Text,Text, IntWritable> {
//定义输出的v
IntWritable outV = new IntWritable(1);
//定义输出的k
Text outK = new Text();
/**
* 重写Mapper类中的map方法
* @param key 表示输入的k
* @param value 表示输入的v ,就是文件中读取的一行内容
* @param context 负责调度Mapper运行
*/
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//1. 将输入的一行数据,转换成String类型.
// atguigu atguigu
String line = value.toString();
//2. 使用空格切分数据
String[] splits = line.split(" ");
//3. 迭代splits数组,将每个单词处理成kv,写出去.
for (String word : splits) {
//将当前单词设置到outK中
outK.set(word);
//写出
context.write(outK,outV);
}
}
}
(2)编写Reducer类
package com.caron.mr.wordcount;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
/**
* 自定义Reducer, 需要继承Reducer类,指定4个泛型 , 4个泛型表示两组kv对.
*
* 4个泛型,表示两组kv对, 一组是输入的kv , 一组是输出的kv
* 输入的kv对:
* KEYIN : Text,对应Map输出的k, 表示一个单词
* VALUEIN :IntWritable , 对应Map输出的v, 表示单词出现的次数
*
* 输出的kv对:
* KEYOUT : Text, 表示一个单词
* VALUEOUT: IntWritable , 表示这个单词出现的总次数
*/
public class WordCountReducer extends Reducer<Text, IntWritable,Text,IntWritable> {
//定义写出的v
IntWritable outV = new IntWritable();
/**
* 重写Reducer中的reudce方法。
* @param key 表示输入的key, 就是一个单词
* @param values 表示封装了当前key对应的所有的value的一个迭代器对象.
* @param context 负责调度Reducer运行
* @throws IOException
* @throws InterruptedException
*/
@Override
protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
//1. 迭代values,将当前key对应的所有的value累加.
int sum = 0 ;
for (IntWritable value : values) {
sum += value.get() ;
}
//2. 写出
//将累加后的结果sum封装到outV中
outV.set(sum);
context.write(key,outV);
}
}
(3)编写Driver驱动类
package com.caron.mr.wordcount;
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 java.io.IOException;
public class WordCountDriver {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
//1. 创建一个Job对象
Configuration conf = new Configuration();
Job job = Job.getInstance(conf);
//2. 关联jar
job.setJarByClass(WordCountDriver.class);
//3. 关联Mapper 和 Reducer 类
job.setMapperClass(WordCountMapper.class);
job.setReducerClass(WordCountReducer.class);
//4. 设置Mapper的输出key和value的类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
//5. 设置最终输出的key和value的类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
//6. 设置输入和输出路径
//FileInputFormat.setInputPaths(job,new Path("F:/input/inputWord.txt"));
// FileOutputFormat.setOutputPath(job,new Path("F:/output")); // 输出路径不能存在,如果已经存在就报异常.
FileInputFormat.setInputPaths(job,new Path(args[0]));
FileOutputFormat.setOutputPath(job,new Path(args[1]));
//7. 提交job
job.waitForCompletion(true);
}
}
5.本地测试
(1)需要首先配置好HadoopHome变量以及Windows运行依赖
(2)在Eclipse/Idea上运行程序
6.集群上测试
(0)用maven打jar包,如果有需要一并打进去的依赖,需要添加打包插件
注意:标记加粗的部分需要替换为自己工程主类
<build>
<plugins>
<plugin>
<artifactId>maven-compiler-plugin</artifactId>
<version>2.3.2</version>
<configuration>
<source>1.8</source>
<target>1.8</target>
</configuration>
</plugin>
<plugin>
<artifactId>maven-assembly-plugin</artifactId>
<configuration>
<descriptorRefs>
<descriptorRef>jar-with-dependencies</descriptorRef>
</descriptorRefs>
<archive>
<manifest>
<mainClass>
com.caron.mr.WordcountDriver
</mainClass>
</manifest>
</archive>
</configuration>
<executions>
<execution>
<id>make-assembly</id>
<phase>package</phase>
<goals>
<goal>single</goal>
</goals>
</execution>
</executions>
</plugin>
</plugins>
</build>
注意:如果工程上显示红叉。在项目上右键->maven->update project即可。
(1)将程序打成jar包,然后拷贝到Hadoop集群中
步骤详情:Maven ->lifecycle->install。等待编译完成就会在项目的target文件夹中生成jar包。如果看不到。在项目上右键 -> Refresh,即可看到。修改不带依赖的jar包名称为wc.jar,并拷贝该jar包到Hadoop集群。
(2)启动Hadoop集群
(3)执行WordCount程序
hadoop jar wc.jar com.caron.wordcount.WordcountDriver
/user/caron/input /user/caron/output
7.在Windows上向集群提交任务
(1)添加必要配置信息
public class WordcountDriver {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException
{
//1 获取配置信息以及封装任务
Configuration configuration = new Configuration();
//设置HDFS NameNode的地址
configuration.set("fs.defaultFS","hdfs://hadoop101:9820");
// 指定MapReduce运行在Yarn上
configuration.set("mapreduce.framework.name","yarn");
// 指定mapreduce可以在远程集群运行
configuration.set("mapreduce.app-submission.cross-platform","true");
//指定Yarnresourcemanager的位置
configuration.set("yarn.resourcemanager.hostname","hadoop102");
Job job = Job.getInstance(configuration);
//2 设置jar加载路径
job.setJarByClass(WordcountDriver.class);
//3 设置map和reduce类
job.setMapperClass(WordcountMapper.class);
job.setReducerClass(WordcountReducer.class);
//4 设置map输出
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
//5 设置最终输出kv类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
//6 设置输入和输出路径
FileInputFormat.setInputPaths(job,new Path(args[0]));
FileOutputFormat.setOutputPath(job,new Path(args[1]));
//7 提交
boolean result = job.waitForCompletion(true);
System.exit(result? 0 : 1);
}
}
(2)先进行打包,并将Jar包设置到Driver中,集群中运行需要指定jar包
public class WordcountDriver {
public static void main(String[] args) throws IOException, ClassNotFoundException,InterruptedException {
//1 获取配置信息以及封装任务
Configuration configuration = new Configuration();
configuration.set("fs.defaultFS","hdfs://hadoop101:9820");
configuration.set("mapreduce.framework.name","yarn");
configuration.set("mapreduce.app-submission.cross-platform","true");
configuration.set("yarn.resourcemanager.hostname","hadoop102");
Job job = Job.getInstance(configuration);
//2 设置jar加载路径
job.setJar("D:\\input\\MapReduce-1.0-SNAPSHOT.jar");
//3 设置map和reduce类
job.setMapperClass(WordcountMapper.class);
job.setReducerClass(WordcountReducer.class);
//4 设置map输出
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
//5 设置最终输出kv类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
//6 设置输入和输出路径
FileInputFormat.setInputPaths(job,new Path(args[0]));
FileOutputFormat.setOutputPath(job,new Path(args[1]));
//7 提交
boolean result = job.waitForCompletion(true);
System.exit(result? 0 : 1);
}
}
(3)编辑任务配置
图提交集群任务配置
(4)提交并在集群查看结果
配置以后直接执行