(一)MapReduce编程实例----词频统计实现步骤
·启动hadoop服务
1、准备数据文件
(1)在虚拟机上创建文本文件
·创建wordcount目录,在里面创建 words.txt文件
(2)上传文件到HDFS指定目录
·创建 /wordcount/input目录,执行命令:hdfs dfs -mkdir -p /wordcount/input
·将文本文件words.txt,上传到HDFS的/wordcount/input目录中
·在HDFS上查看
2、创建Maven项目
`创建Maven项目 - MRWordCount
3、添加相关依赖
·在pom.xml
文件里添加hadoop
和junit
依赖
<dependencies>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>3.3.4</version>
</dependency>
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>4.13.2</version>
</dependency>
</dependencies>
4、创建日志属性文件
在resources
目录里创建log4j.properties
文件
log4j.rootLogger=INFO, stdout, logfile
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/wordcount.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n
5、创建词频统计映射器类
创建net.zhj.mr
包,在包里创建WordCountMapper
类
为了更好理解Mapper
类的作用,在map()
函数里暂时不进行每行文本分词处理,直接利用context
输出key
和value
。
package net.zhj.mr;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
/**
* 功能:词频统计映射器类
*/
public class WordCountMapper extends Mapper<LongWritable, Text, LongWritable, Text> {
@Override
protected void map(LongWritable key, Text value, Context context)
throws IOException, InterruptedException {
context.write(key, value);
}
}
·Mapper<泛型参数1, 泛型参数2, 泛型参数3, 泛型参数4>参数说明
参数 | 说明 |
---|---|
泛型参数1 | 输入键类型(InputKeyClass) |
泛型参数2 | 输入值类型(InputValueClass) |
泛型参数3 | 输出键类型(OutputKeyClass) |
泛型参数4 | 输出值类型(OutputValueClass) |
6、创建词频统计驱动器类
·在net.zhj
.mr
包里创建WordCountDriver
类
package net.zhj.mr;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
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.net.URI;
/**
* 功能:词频统计驱动器类
*/
public class WordCountDriver {
public static void main(String[] args) throws Exception {
// 创建配置对象
Configuration conf = new Configuration();
// 设置数据节点主机名属性
conf.set("dfs.client.use.datanode.hostname", "true");
// 获取作业实例
Job job = Job.getInstance(conf);
// 设置作业启动类
job.setJarByClass(WordCountDriver.class);
// 设置Mapper类
job.setMapperClass(WordCountMapper.class);
// 设置map任务输出键类型
job.setMapOutputKeyClass(LongWritable.class);
// 设置map任务输出值类型
job.setMapOutputValueClass(Text.class);
// 定义uri字符串
String uri = "hdfs://master1:9000";
// 创建输入目录
Path inputPath = new Path(uri + "/wordcount/input");
// 创建输出目录
Path outputPath = new Path(uri + "/wordcount/output");
// 获取文件系统
FileSystem fs = FileSystem.get(new URI(uri), conf);
// 删除输出目录(第二个参数设置是否递归)
fs.delete(outputPath, true);
// 给作业添加输入目录(允许多个)
FileInputFormat.addInputPath(job, inputPath);
// 给作业设置输出目录(只能一个)
FileOutputFormat.setOutputPath(job, outputPath);
// 等待作业完成
job.waitForCompletion(true);
// 输出统计结果
System.out.println("======统计结果======");
FileStatus[] fileStatuses = fs.listStatus(outputPath);
for (int i = 1; i < fileStatuses.length; i++) {
// 输出结果文件路径
System.out.println(fileStatuses[i].getPath());
// 获取文件系统数据字节输入流
FSDataInputStream in = fs.open(fileStatuses[i].getPath());
// 将结果文件显示在控制台
IOUtils.copyBytes(in, System.out, 4096, false);
}
}
}
7、运行词频统计驱动器类,查看结果
·统计结果之前会显示大量信息
·如果不想看到统计结果之前的大堆信息,可以修改log4j.properties
文件,将INFO
改为ERROR
·再运行程序,查看结果
8、修改词频统计映射器类
·行首数字对于我们做单词统计没有任何用处,只需要拿到每一行内容,按空格拆分成单词,每个单词计数1,因此,WordCoutMapper
的输出应该是单词和个数,于是,输出键类型为Text
,输出值类型为IntWritable
。
·将每行按空格拆分成单词数组,输出<单词, 1>
的键值对
package net.zhj.mr;
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;
/**
* 功能:词频统计映射器类
*/
public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
@Override
protected void map(LongWritable key, Text value, Context context)
throws IOException, InterruptedException {
String line = value.toString();
String[] words = line.split(" ");
for (String word : words){
context.write(new Text(word),new IntWritable(1));
}
}
}
9、修改词频统计驱动器类
·修改map任务输出键值类型
10、启动词频统计驱动器类,查看结果
- 观察输出结果,map阶段会按键排序输出
补充:
(1)Java数据类型与Hadooop数据类型对应关系
Java数据类型Hadoop数据类型
(2)了解map阶段输出值(reduce阶段输出值)是一个迭代器
package net.zhj.mr;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
import java.util.ArrayList;
import java.util.List;
/**
* 功能:词频统计归并器类
*/
public class WordCountReducer extends Reducer<Text, IntWritable,Text,Text> {
@Override
protected void reduce(Text key,Iterable<IntWritable> values,Context context)
throws IOException,InterruptedException{
List<Integer> integers = new ArrayList<>();
for (IntWritable value : values){
integers.add(value.get());
}
context.write(key,new Text(integers.toString()));
}
}
// 设置Reducer类
job.setReducerClass(WordCountReducer.class);
// 设置reduce任务输出键类型
job.setOutputKeyClass(Text.class);
// 设置reduce任务输出值类型
job.setOutputValueClass(IntWritable.class);
11、创建词频统计归并器类
·在net.hw.mr
包里创建WordCountReducer
类
package net.zhj.mr;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
/**
* 功能:词频统计归并器类
*/
public class WordCountReducer extends Reducer<Text, IntWritable,Text,IntWritable> {
@Override
protected void reduce(Text key,Iterable<IntWritable> values,Context context)
throws IOException,InterruptedException{
int count = 0;
for (IntWritable value : values){
count = count + value.get();
}
context.write(key,new IntWritable(count));
}
}
12、修改词频统计驱动器类
- 设置
WordCountReducer
,并且设置归并任务的输出键值类型
// 设置Reducer类
job.setReducerClass(WordCountReducer.class);
// 设置reduce任务输出键类型
job.setOutputKeyClass(Text.class);
// 设置reduce任务输出值类型
job.setOutputValueClass(IntWritable.class);
13、启动词频统计驱动器类,查看结果
·统计出每个单词出现的次数