Hadoop-MapReduce应用-统计单词个数

先说一些代码中使用到的东西：

StringTokenizer：字符串分隔解析类型 
*之前没有发现竟然有这么好用的工具类 
java.util.StringTokenizer

StringTokenizer(String str) ： 
构造一个用来解析str的StringTokenizer对象。 
java默认的分隔符是“空格”、“制表符(‘\t’)”、“换行符(‘\n’)”、“回车符(‘\r’)”。

StringTokenizer(String str, String delim) ： 
构造一个用来解析str的StringTokenizer对象，并提供一个指定的分隔符。

StringTokenizer(String str, String delim, boolean returnDelims) ： 
构造一个用来解析str的StringTokenizer对象，并提供一个指定的分隔符，同时，指定是否返回分隔符。

以前竟然没有发现有这么好用的工具类StringTokenizer。

准备工作： 
mapreduce程序需要对文件中的单词进行统计，我们需要有输入文件，在HDFS系统中设置输入文件，我们利用终端在linux系统中准备输入文件的数据工作。

我在linux下/usr/local目录下存放新建需要的数据文件words.txt文件： 
 
文件内容如图所示，有了这个文件之后，需要把这个文件上传到HDFS文件系统中，使用下面的命令： 

hadoop fs -put 本地文件路径 hdfs文件路径 
该命令把本地系统中的文件上传到HDFS文件系统中

hadoop fs -ls / 
该命令把HDFS根目录中的文件遍历输出

上传了文件之后，需要把文件的路径设置到代码中，代码中读取文件内容，经过mapreduce运算，将结果输出到对应所设置的输出文件中进行保存。

代码： 
下面给出MapReduce类的代码如下：

package org.conan.myhadoop.mr;

import java.io.IOException;
import java.util.Iterator;
import java.util.StringTokenizer;

import org.apache.hadoop.fs.Path; import org.apache.hadoop.io.IntWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapred.FileInputFormat; import org.apache.hadoop.mapred.FileOutputFormat; import org.apache.hadoop.mapred.JobClient; import org.apache.hadoop.mapred.JobConf; import org.apache.hadoop.mapred.MapReduceBase; import org.apache.hadoop.mapred.Mapper; import org.apache.hadoop.mapred.OutputCollector; import org.apache.hadoop.mapred.Reducer; import org.apache.hadoop.mapred.Reporter; import org.apache.hadoop.mapred.TextInputFormat; import org.apache.hadoop.mapred.TextOutputFormat; /** * 单词统计MapReduce */ public class WordCount { /** * Mapper类 */ public static class WordCountMapper extends MapReduceBase implements Mapper<Object, Text, Text, IntWritable> { private final static IntWritable one = new IntWritable(1); private Text word = new Text(); /** * map方法完成工作就是读取文件 * 将文件中每个单词作为key键，值设置为1， * 然后将此键值对设置为map的输出，即reduce的输入 */ @Override public void map(Object key, Text value, OutputCollector<Text, IntWritable> output, Reporter reporter) throws IOException { /** * StringTokenizer：字符串分隔解析类型 * 之前没有发现竟然有这么好用的工具类 * java.util.StringTokenizer * 1. StringTokenizer(String str) ： * 构造一个用来解析str的StringTokenizer对象。 * java默认的分隔符是“空格”、“制表符(‘\t’)”、“换行符(‘\n’)”、“回车符(‘\r’)”。 * 2. StringTokenizer(String str, String delim) ： * 构造一个用来解析str的StringTokenizer对象，并提供一个指定的分隔符。 * 3. StringTokenizer(String str, String delim, boolean returnDelims) ： * 构造一个用来解析str的StringTokenizer对象，并提供一个指定的分隔符，同时，指定是否返回分隔符。 * * 默认情况下，java默认的分隔符是“空格”、“制表符(‘\t’)”、“换行符(‘\n’)”、“回车符(‘\r’)”。 */ StringTokenizer itr = new StringTokenizer(value.toString()); while (itr.hasMoreTokens()) { word.set(itr.nextToken()); output.collect(word, one); } } } /** * reduce的输入即是map的输出，将相同键的单词的值进行统计累加 * 即可得出单词的统计个数，最后把单词作为键，单词的个数作为值， * 输出到设置的输出文件中保存 */ public static class WordCountReducer extends MapReduceBase implements Reducer<Text, IntWritable, Text, IntWritable> { private IntWritable result = new IntWritable(); @Override public void reduce(Text key, Iterator<IntWritable> values, OutputCollector<Text, IntWritable> output, Reporter reporter) throws IOException { int sum = 0; while (values.hasNext()) { sum += values.next().get(); } result.set(sum); output.collect(key, result); } } public static void main(String[] args) throws Exception { //数据输入路径 这里的路径需要换成自己的hadoop所在地址 String input = "hdfs://centos:9000/words.txt"; /** * 输出路径设置为HDFS的根目录下的out文件夹下 * 注意：该文件夹不应该存在，否则出错 */ String output = "hdfs://centos:9000/out"; JobConf conf = new JobConf(WordCount.class); conf.setJobName("WordCount"); // conf.addResource("classpath:/hadoop/core-site.xml"); // conf.addResource("classpath:/hadoop/hdfs-site.xml"); // conf.addResource("classpath:/hadoop/mapred-site.xml"); //对应单词字符串 conf.setOutputKeyClass(Text.class); //对应单词的统计个数 int类型 conf.setOutputValueClass(IntWritable.class); //设置mapper类 conf.setMapperClass(WordCountMapper.class); /** * 设置合并函数，合并函数的输出作为Reducer的输入， * 提高性能，能有效的降低map和reduce之间数据传输量。 * 但是合并函数不能滥用。需要结合具体的业务。 * 由于本次应用是统计单词个数，所以使用合并函数不会对结果或者说 * 业务逻辑结果产生影响。 * 当对于结果产生影响的时候，是不能使用合并函数的。 * 例如：我们统计单词出现的平均值的业务逻辑时，就不能使用合并 * 函数。此时如果使用，会影响最终的结果。 */ conf.setCombinerClass(WordCountReducer.class); //设置reduce类 conf.setReducerClass(WordCountReducer.class); /** * 设置输入格式，TextInputFormat是默认的输入格式 * 这里可以不写这句代码。 * 它产生的键类型是LongWritable类型（代表文件中每行中开始的偏移量值） * 它的值类型是Text类型（文本类型） */ conf.setInputFormat(TextInputFormat.class); /** * 设置输出格式，TextOutpuTFormat是默认的输出格式 * 每条记录写为文本行，它的键和值可以是任意类型，输出回调用toString() * 输出字符串写入文本中。默认键和值使用制表符进行分割。 */ conf.setOutputFormat(TextOutputFormat.class); //设置输入数据文件路径 FileInputFormat.setInputPaths(conf, new Path(input)); //设置输出数据文件路径（该路径不能存在，否则异常） FileOutputFormat.setOutputPath(conf, new Path(output)); //启动mapreduce JobClient.runJob(conf); System.exit(0); } }

转载于:https://www.cnblogs.com/ting-ting-ta/p/9386479.html