文章介绍了如何使用MapReduce在Hadoop框架下统计文本文件word.txt中每个单词的出现次数，包括Mapper处理单词拆分和计数，Reducer进行值累加，以及Driver类作为程序入口提交Job。
水善利万物而不争，处众人之所恶，故几于道💦
需求
假设有一个文本文件word.txt，我们想要统计这个文本文件中每个单词出现的次数。
文件内容如下：
期望输出结果：
分析
根据MapReduce的思想，整体分为两个过程一个是Map阶段，一个是Reduce阶段。可以粗略得出下面几步：
①将读取到的数据进行单词间的拆分，拆出来一个一个的单词。
②将每个单词出现的次数标记为1。eg：(hello,1)、(qcln,1)…
③然后相同单词进入一个ReduceTask，进行value值的累加，也就算出了这个单词出现的次数。
④将最终的结果输出。
编写MapReduce实现上述功能
要先添加Hadoop的项目依赖（建Maven项目）
<dependencies>
<dependency>
<!-- Hadoop的项目依赖-->
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>3.1.3</version>
</dependency>
<dependency>
<!--这个可加可不加，是为了在控制台打印日志的，
加上的话要在resources目录下建一个log4j.properties配置文件-->
<groupId>org.slf4j</groupId>
<artifactId>slf4j-log4j12</artifactId>
<version>1.7.30</version>
</dependency>
</dependencies>
resources目录下log4j.properties配置文件内容：
log4j.rootLogger=INFO,stdout
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/spring.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n
项目目录结构：
编写MapReduce程序的话要写三个类Mapper、Reducer、Driver
Mapper类：继承Mapper类，重写map方法。每行数据读进来后，他都要调用map方法对数据进行处理，处理完后，再把数据写回框架，让框架处理。
Recuder类：继承Reducer类，重写reduce方法。key值相同的数据会进入同一个reduce方法，这个阶段会调用reduce方法对这一组key值相同的数据进行处理。
Driver类：整个MapReduce程序的入口，在这个类中写main方法。这个类主要是创建一个job实例，然后给job赋值(指定Mapper类、Reducer类、Mapper输出的key value类型、最终结果输出的key value类型、Map Reduce程序的读取文件路径和结果输出路径)，最后提交该job
Mapper类
package com.daemon.mr.wordcount;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
/**
* Author: Pepsi
* Date: 2023/12/21
* Desc:
*/
/*
* Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT>
泛型含义：
1.偏移量：是一行中数据的偏移量，可以理解成这一行数据长度的样子。
比如第一行 abcde 第二行 qwe,假如第一行的偏移量是0，第二行的偏移量可能就是8
这个类型只能为LongWritable类型，偏移量比较大
2.读到的每行数据的类型
3.输出的key的类型 因为这里词频统计map后想要输出（aaa,2）这种形式，所以key是Text value是LongWritable类型
4.输出的value的类型
这个类主要的作用就是封装kv对也就是标记，
也就是WordCount需求中将每行数据处理为（hello,1）这种格式
* */
public class WCMappre extends Mapper<LongWritable,Text, Text, LongWritable> {
// 创建一个输出键的对象，待会儿取到数据后直接赋值给他，然后写出去
// 定义在map外面就不用频繁创建对象了
private Text outKey = new Text();
// 创建一个输出值的对象，也就是那个频率，这里直接给他初始化为1，直接用
private LongWritable outValue = new LongWritable(1);
/**
*
* @param key 读取到每行数据的偏移量
* @param value 读取到的那一行数据
* @param context 上下文对象，可以理解为程序本身，因为是框架下编程，所以处理结果要还给框架
* @throws IOException
* @throws InterruptedException
*/
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//super.map(key, value, context);
//System.out.println("这是偏移量："+key);
//将读取到的一行数据转换为字符串类型(Text类型是Hadoop的类型没法切割)
// 然后按照空格切分，因为要读取的数据文件中单词之间使用空格分开的
String[] words = value.toString().split(" ");
// 得到这一行的单词数组后，进行遍历每个单词
for (String word : words) {
// 将上面创建好的Text对象的值设置为当前遍历到的单词 ==> outKey=qcln outValue=1
outKey.set(word);
// 写回框架，后续交给框架处理 ==> (qcln,1)
context.write(outKey,outValue);
}
}
}
Reducer类
package com.daemon.mr.wordcount;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
/**
* Author: Pepsi
* Date: 2023/12/21
* Desc:
*/
/*
Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT>
1.输入的key的类型 也就是Map阶段输出key的类型
2.输入的value的类型 也就是Map阶段输出的value的类型
3.最终结果输出的key的类型 也就是写出到文件中的key的类型，是单词，所以是Text类型
4.最终的结果输出的value的类型 也就是写出到文件中的value的类型，是单词出现的次数，所以是LongWritable类型(IntWritable也行，只不过如果数据量大，怕IntWritable放不下)
*/
public class WCReducer extends Reducer<Text, LongWritable,Text,LongWritable> {
// 用来存放单词出现的总次数，最后要将他写出去
private LongWritable outVale = new LongWritable();
/**
*
* @param key map结果输出的key
* @param values 相同key的所有值
* @param context 上下文
* @throws IOException
* @throws InterruptedException
*/
@Override
protected void reduce(Text key, Iterable<LongWritable> values, Context context) throws IOException, InterruptedException {
//super.reduce(key, values, context);
// 累加变量，存放单词出现的总次数，待会要把这个结果赋给LongWritable，然后写出去
long count = 0;
// 遍历每个value
for (LongWritable value : values) {
// get()方法返回一个long类型的值
count+=value.get();
}
// 将long类型的累加变量赋值给LongWritable => outVale=2
outVale.set(count);
// 将结果写出去 => (qcln,2)
context.write(key,outVale);
}
}
Driver类
package com.daemon.mr.wordcount;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
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;
/**
* Author: Pepsi
* Date: 2023/12/21
* Desc:
*/
public class WCDriver {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
Configuration conf = new Configuration();
// 1. 创建job实例，可以不传conf，传的话可以用conf.set(key,value)进行一些配置
Job job = Job.getInstance(conf);
// 2. 给job赋值
// 设置jar的入口类，如果是本地运行可以不写，如果想要将项目打jar包扔在集群上运行必须写
job.setJarByClass(WCDriver.class);
// 指定Mapper和Reducer类
job.setMapperClass(WCMappre.class);
job.setReducerClass(WCReducer.class);
// 设置Mapper输出的key value 类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(LongWritable.class);
// 设置整个程序输出的key value类型 -- Reducer的输出也就是整个程序的输出，所以也可以理解为Reducer的输出类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(LongWritable.class);
// 设置程序从哪读取文件，将结果输出到哪，输出目录不能存在
FileInputFormat.setInputPaths(job,new Path("D:\\word.txt"));
FileOutputFormat.setOutputPath(job,new Path("D:\\output"));
// 3. 提交job,运行。 也可以不接收这个返回值
boolean b = job.waitForCompletion(true);
// 程序结束返回的状态码
System.exit(b ? 0 : 1);
}
}
查看输出结果
1270
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
