逐行分析Hadoop的HelloWorld

最新推荐文章于 2022-07-08 20:21:26 发布

weixin_33766805

最新推荐文章于 2022-07-08 20:21:26 发布

阅读量130

点赞数

文章标签：大数据 java 开发工具

原文链接：https://my.oschina.net/hunglish/blog/782519

版权

2019独角兽企业重金招聘Python工程师标准>>>

学写代码的时候，我们总是先从helloworld开始写起，那么学习Hadoop，我们也必不可少的从helloworld开始，那么WordCount作为经典的Hadoop程序，可以作为我们庖丁解牛的材料，进而从代码的角度学习一下mapreduce的实现过程。下面我们就开始一步步的探索。

先从源码看起，再一步步剖析

package org.apache.hadoop.examples;

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.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;
import org.apache.hadoop.util.GenericOptionsParser;

public class WordCount {

  public static class TokenizerMapper 
       extends Mapper<Object, Text, Text, IntWritable>{

    private final static IntWritable one = new IntWritable(1);
    private Text word = new Text();

    public void map(Object 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);
      }
    }
  }

  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();
    conf.set("mapred.job.tracker", "172.16.10.15:9001");//自己额外加的代码
    String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
    if (otherArgs.length != 2) {
      System.err.println("Usage: wordcount <in> <out>");
      System.exit(2);
    }
    Job job = new Job(conf, "word count");
    job.setJarByClass(WordCount.class);
    job.setMapperClass(TokenizerMapper.class);
    job.setCombinerClass(IntSumReducer.class);
    job.setReducerClass(IntSumReducer.class);
    job.setOutputKeyClass(Text.class);
    job.setOutputValueClass(IntWritable.class);
    FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
    FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
    System.exit(job.waitForCompletion(true) ? 0 : 1);
  }
}

大家可以看到整个源代码分为三个部分：

1. Map

public static class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable>{

    private final static IntWritable one = new IntWritable(1);
    private Text word = new Text();

    public void map(Object 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);
      }
    }
  }

a) 定义一个自己的Map过程，TokenizerMapper 这个类名自己设定，这个类需要继承org.apache.hadoop.mapreduce包中的Mapper类，四个参数分别表示输入键key的参数类型，输入值value的参数类型，输出键key的参数类型，输出值value的参数类型。值得注意的是Hadoop本身提供了一套可优化的网络序列化传输的基本类型，而不是用java内嵌的类型。这些类型都是在org.apache.hadoop.io包中。其中LongWritable类型相当于Long类型，Text类型相当于String类型，IntWritable相当于Integer类型。
b) map方法中参数value是指文本文件中的一行，参数key是为该行首字母相对于文本文件首地址的偏移量
c) StringTokenizer类是一个用来分隔String的应用类，类似于split。

//它的构造函数有三种：
public StringTokenizer(String str)
public StringTokenizer(String str,String delim)
public StringTokenizer(String str,String delim,boolean returnDelims)
//其中第一个参数为要分隔的String,第二个参数为分隔字符集合，第三个参数为分隔符是否作为标记返回，如果不指定分隔符，默认是'\t\n\r\f'
//它的方法主要有三种：
public boolean hasMoreTokens()//返回是否还有分隔符
public String nextToken()//返回从当前位置到下一个分隔符的字符串
public int countTokens()//返回nextToken方法被调用的次数

d) 经过StringTolenizer 处理之后会得到一个个 < word,1 > 这样的键值对，放在context里，Context用于输出内容的写入，读起来有点儿绕口，自己理解一下。

2. Reduce

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);
	}
}

a) 同mapper 过程一样，Reduce过程需要继承org.apache.hadoop.mapreduce包中Reducer类，并重写其reduce方法。
b) reduce方法中输入参数key 指单个单词，values 指对应单词的计数值的列表
c) reduce 方法的目的就是对列表的值进行加和处理
d) 输出的是< key,value>,key 指单个单词，value 指对应单词的计数值的列表的值的总和。

3. Main

public static void main(String[] args) throws Exception {
	Configuration conf = new Configuration();
	conf.set("mapred.job.tracker", "172.16.10.15:9001");//自己额外加的代码
	String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
	if (otherArgs.length != 2) {
		System.err.println("Usage: wordcount <in> <out>");
		System.exit(2);
	}
	Job job = new Job(conf, "word count");
	job.setJarByClass(WordCount.class);
	job.setMapperClass(TokenizerMapper.class);
	job.setCombinerClass(IntSumReducer.class);
	job.setReducerClass(IntSumReducer.class);
	job.setOutputKeyClass(Text.class);
	job.setOutputValueClass(IntWritable.class);
	FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
	FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
	System.exit(job.waitForCompletion(true) ? 0 : 1);
}

a) Configuration conf = new Configuration(); 默认情况下，Configuration开始实例化的时候，会从Hadoop的配置文件里读取参数。
b) conf.set(“mapred.job.tracker”, “172.16.10.15:9001”);设置这句代码是由于我们要把使用eclipse提交作业到Hadoop集群，所以手动添加Job运行地址。若是直接在Hadoop 集群进行运行，不用加这句代码。而且你可以看到只要前三句使用了这个代码，所以这三句以后的代码才是所有Hadoop例子中都会包含的。
c) 接下来这一句也是读取参数，这里是从命令行参数里读取参数。
d) Job job = new Job(conf, “word count”); 在MapReduce处理过程中，由Job对象负责管理和运行一个计算任务，然后通过Job的若干方法来对任务的参数进行设置。”word count”是Job的名字，(当然了，根据所有java语言规范规定的那样，你也可以用

Job job = new Job();
job.setJobName("Name");

的形式做声明)。
e) job.setJarByClass(WordCount.class);是根据WordCount类的位置设置Jar文件。

为什么要这么做？因为我们在Hadoop集群上运行这个作业时候，要把代码打包成一个JAR文件，用以在集群上发布这个文件。Hadoop利用这个传递进去的类来查找包含它的JAR文件。
f) job.setMapperClass(TokenizerMapper.class);设置Mapper
g) job.setCombinerClass(IntSumReducer.class);设置Combiner,这里先使用Reduce类来进行Mapper 的中间结果的合并，能够减轻网络传输的压力。
h) job.setReducerClass(IntSumReducer.class);设置Reduce
i) job.setOutputKeyClass(Text.class);和 job.setOutputValueClass(IntWritable.class);分别是设置输出键的类型和设置输出值的类型
j) FileInputFormat.addInputPath(job, new Path(otherArgs[0]));设置输入文件，它是otherArgs第一个参数
k) FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));设置输出文件，将输出结果写入这个文件里，它是otherArgs第二个参数。

注意：在运行作业前这个输出目录不应该存在，否则Hadoop会报错并拒绝运行该作业。这种预防措施的目的是防止数据丢失(如果长时间运行的数据结果被意外覆盖，肯定是非常恼人的)。
l) System.exit(job.waitForCompletion(true) ? 0 : 1);job执行，等待执行结果

4. 各个包的功能

到此为止，三大部分就分析完毕，然后再来看看引入的有哪些类：

a） package org.apache.hadoop.examples;Java 提供包机制管理代码，关键词是package, 包名字可以自己定，但不能重复。通常为了包的唯一性，推荐使用公司域名的逆序作为包,于是有了上面例子中的‘org.apache.hadoop’这样的包名。
b) import java.io.IOException; 凡是以java开头的包，在JDK1.7的API里可以找到类的资料。这里是从java.io中引入IOException,是一个输入输出异常类。
c) import java.util.StringTokenizer;这是从java.util包中引入的StringTokenizer类，是一个解析文本的类。具体用法上文中已提过了。
d) import org.apache.hadoop.conf.Configuration;凡是以org.apache.hadoop开头的包，在Hadoop1.2.1 的API文档可以找到类的资料。这里是从hadoop的conf包中引入Configuration类，它是一个读写和保存配置信息的类。
e) import org.apache.hadoop.fs.Path; Path类保存文件或者目录的路径字符串
f) import org.apache.hadoop.io.IntWritable; IntWritable是一个以类表示的可序化的整数。在java中，要表示一个整数，可以使用int类型，也可以使用integer类型，integer封装了int类型，且integer类是可序化的。但Hadoop认为integer的可序化不合适，于是实现了IntWritable。
g) import org.apache.hadoop.io.Text; 从io包中引入Text类，是一个存储字符串的可比较可序化的类。
h) import org.apache.hadoop.mapreduce.Job; 引入Job类，Hadoop中每个需要执行的任务是一个Job,这个Job负责参数配置、设置MapReduce细节、提交到Hadoop集群、执行控制等操作。
i) import org.apache.hadoop.mapreduce.Mapper;引入Mapper类，负责MapReduce中的Map过程。
j) import org.apache.hadoop.mapreduce.Reducer;引入Reduce类，负责MapReduce中的Reduce过程。
k) import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;引入FileInputFormat类，主要功能是将文件进行切片。
l) import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;FileOutputFormat类是将输出结果写入文件。
m) import org.apache.hadoop.util.GenericOptionsParser;这个类负责解析命令行参数。