MapReduce编程之WordCount

//mapreduce程序 import  java.io.IOException; 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.LongWritable; 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;   public  class  WordCount {      /**     * TokenizerMapper 继续自 Mapper<LongWritable, Text, Text, IntWritable>     *     * [一个文件就一个map,两个文件就会有两个map]     * map[这里读入输入文件内容 以" \t\n\r\f" 进行分割，然后设置 word ==> one 的key/value对]     *     * @param Object  Input key Type:     * @param Text    Input value Type:     * @param Text    Output key Type:     * @param IntWritable Output value Type:     *     * Writable的主要特点是它使得Hadoop框架知道对一个Writable类型的对象怎样进行serialize以及deserialize.     * WritableComparable在Writable的基础上增加了compareT接口，使得Hadoop框架知道怎样对WritableComparable类型的对象进行排序。     *     * @ author liuqingjie     *     */    public  static  class  TokenizerMapper         extends  Mapper<LongWritable, Text, Text, IntWritable>{        private  final  static  IntWritable one =  new  IntWritable( 1 );      private  Text word =  new  Text();      public  void  map(LongWritable key, Text value, Context context)  throws  IOException, InterruptedException {        StringTokenizer itr =  new  StringTokenizer(value.toString());        while  (itr.hasMoreTokens()) {          word.set(itr.nextToken());          context.write(word, one);        }      }    }      /**     * IntSumReducer 继承自 Reducer<Text,IntWritable,Text,IntWritable>     *     * [不管几个Map,都只有一个Reduce,这是一个汇总]     * reduce[循环所有的map值,把word ==> one 的key/value对进行汇总]     *     * 这里的key为Mapper设置的word[每一个key/value都会有一次reduce]     *     * 当循环结束后，最后的确context就是最后的结果.     *     * @author liuqingjie     *     */    public  static  class  IntSumReducer         extends  Reducer<Text,IntWritable,Text,IntWritable> {      private  IntWritable result =  new  IntWritable();        public  void  reduce(Text key, Iterable<IntWritable> values,                         Context context                         )  throws  IOException, InterruptedException {        int  sum =  0 ;        for  (IntWritable val : values) {          sum += val.get();        }        result.set(sum);        context.write(key, result);      }    }      public  static  void  main(String[] args)  throws  Exception {      Configuration conf =  new  Configuration();          if  (args.length !=  2 ) {              System.err.println( "请配置路径  " );              System.exit( 2 );          }      Job job =  new  Job(conf,  "wordcount" );      job.setJarByClass(WordCount. class ); //主类            job.setMapperClass(TokenizerMapper. class ); //mapper      job.setReducerClass(IntSumReducer. class ); //reducer            job.setMapOutputKeyClass(Text. class ); //设置map输出数据的关键类      job.setMapOutputValueClass(IntWritable. class ); //设置map输出值类            job.setOutputKeyClass(Text. class ); //设置作业输出数据的关键类      job.setOutputValueClass(IntWritable. class ); //设置作业输出值类            FileInputFormat.addInputPath(job,  new  Path(otherArgs[ 0 ])); //文件输入      FileOutputFormat.setOutputPath(job,  new  Path(otherArgs[ 1 ])); //文件输出            System.exit(job.waitForCompletion( true ) ?  0  :  1 ); //等待完成退出.    } }

编写过程分析：

（1）数据类型

       整型：IntWritable， 这是Hadoop对int的封装

       字符串型：Text，这是Hadoop对String的封装

      上下文对象：Context，它用来与MapReduce系统进行通信，如把map的结果传给reduce处理

   （2）执行过程

          分为两个阶段：map阶段和reduce阶段, 以key/value为输入输出，其中key、value的类型可以由程序员自定义。

        map编写：         

           自定义一个类，继承于基类Mapper，该基类是一个泛型，有4个形参类型：用来指定map函数的输入键、输入值，输出键、输 出值，格式如下：public class Mapper<KEYIN,VALUEIN,KEYOUT,VALUEOU>。

           根据实际需要，重写map函数，函数类型由Mapper指定。每一对<key,value>调用一次map函数。

          wordcount程序中，map方法中的value值存储的是文本文件中的一行，key值为该行的首字符相对于文本文件首字符的偏移量，在本程序中，key值未使用。StringTokenizer类是将每一行拆分为一个个的单词。

        reduce编写：

         自定义一个类，继承于基类Reducer，该基类是一个泛型，有4个形参类型：用来指定reduce函数的输入键、输入值，输出键、输出值，格式public class Reducer<KEYIN,VALUEIN,KEYOUT,VALUEOUT>，其中reduce的输入类型必须与map的输出类型一致。

         根据实际需要，重写reduce方法，方法的类型由Reducer指定。每一个key调用一次reduce方法。

        主函数编写：

       在主函数中进行作业的配置，主要配置有：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Job job =  new  Job(conf,  "word count" );      job.setJarByClass(WordCount. class ); //主类            job.setMapperClass(TokenizerMapper. class ); //mapper      job.setReducerClass(IntSumReducer. class ); //reducer            job.setMapOutputKeyClass(Text. class ); //设置map输出数据的关键类      job.setMapOutputValueClass(IntWritable. class ); //设置map输出值类            job.setOutputKeyClass(Text. class ); //设置作业输出数据的关键类      job.setOutputValueClass(IntWritable. class ); //设置作业输出值类            FileInputFormat.addInputPath(job,  new  Path(otherArgs[ 0 ])); //文件输入      FileOutputFormat.setOutputPath(job,  new  Path(otherArgs[ 1 ])); //文件输出            System.exit(job.waitForCompletion( true ) ?  0  :  1 ); //等待完成退出.

(3)数据处理过程

     1）将文件拆分为splits，并由MapReduce框架自动完成分割，将每一个split分割为<key,value>对

     2）每一对<key,value>调用一次map函数，处理后生产新的<key,value>对，由Context传递给reduce处理

     3）Mapper对<key，value>对进行按key值进行排序，将key值相同的value进行合并。最后得到Mapper的最终输出结果

     4）reduce处理，处理后将新的<key,value>对输出。