MapReduce统计单词

2019独角兽企业重金招聘Python工程师标准>>>

一、HDFS个人理解

       HDFS是个文件系统，只不过加了个分布式作为文件系统的前缀而已，大概的结构就像LINUX系统。文件大的一个电脑存储不下，怎办？那就想办法存储到不同的机子上呗，于是HDFS就应用而生了。众所周知，文件在硬盘上是以文件块的形式存储。什么句柄啊，真心不懂，只能感知，没人能明白0和1，当然也没必要。

二、Map个人理解

       数学函数大家都清楚吧，f（x）=2x，这是一个简单的线性函数。

       打开脑洞，将x看成文件中的一行行的字符串，x=“hello hadoop hello mapreduce ” 而此时f（x）的功能是将此字符串按照空格隔开，输出结果为：（hello 1）、（hadoop 1）、（hello 1）、（mapreduce 1）格式。

       继续打开脑洞，将x看成一个大文件的一个文件块，比如1万行作为一个文件块，作为x的数值。Hadoop会为每一个文件块构建一个Map任务。

       假设，某个HDFS文件有5万行数据，Hadoop将5万行数据切分成5个不同的分片，每个分片有1万行数据，再假设有5台hadoop集群，那么Hadoop会构建5个Map任务，每个Map任务处理一个分片，完全是并行处理的。

三、 Map代码大放送 

public static class WordCountMapper extends Mapper<LongWritable，Text，Text，IntWritable> {
   private static final IntWritable ONE = new IntWritable(1);
   Text value = new Text();
    @Override
    public void map(LongWritable key, Text value, Context context) 
                                                        throws IOException, InterruptedException {
        StringTokenizer tokenizer = new StringTokenizer(value.toString());
        while (tokenizer.hasMoreTokens()) {
            word.set(StringUtils.trim(tokenizer.nextToken().replaceAll("\\W", "")));
            //写到一个临时目录下了
            context.write(word, one);
        }
   }
}

public static class MyMapper implements Mapper<LongWritable, Text, Text, IntWritable> {
        private static final IntWritable ONE = new IntWritable(1);
        private Text word = new Text();
        @Override
        public void map(LongWritable key, Text value, OutputCollector<Text, IntWritable> output, Reporter reporter) throws IOException {
            String record = value.toString();
            String[] split = record.split(" ");
            for (String one : split) {
                word.set(one);
                output.collect(word, ONE);
            }
        }
    }

二、Shuffle阶段

       Shuffle即混洗，这个代码不需要我们去写，但是这个过程是存在的 。无数的类似与 （hello 1）、（hadoop 1）、（hello 1）、（mapreduce 1）这种格式的数据存储在磁盘下，真心不知道它是如何转换成（hello  [1，1]）、（hadoop  [1]）、（mapreduce  [1]）这种格式的，想想都可怕，想想都觉得是艰难，难道是每次在写的时候，都去查询了一把？......待我翻书，给你解释，最好不要有什么宽依赖，窄依赖的，太怕了。

三、Reduce代码大放送

       没什么好解释的，Map的输出作为Reduce的输入。

public static class WordCountReduce extends Reducer<Text, IntWritable, Text, IntWritable> {
    @Override
    public void reduce(Text key, Iterable<IntWritable> values,Context context) throws                     IOException,InterruptedException {
        int sum = 0;
        for (IntWritable val : values) {
            sum += val.get();
        }
        context.write(key, new IntWritable(sum));
    }
}
public static class MyReducer 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);
        }
    }

四、主方法代码大放送

public class WordCount {
    public static void main(String[] args) throws IOException, 
                                                    ClassNotFoundException, InterruptedException {
        Configuration conf = new Configuration();
        Job job = new Job(conf);
        job.setJobName("wordcount");
        //在hadoop集群上运行这个作业的时候，需要将执行的类打包成一个jar文件，然后进行运行，为什么要打成jar文件呢？因为，因为，因为这是集群、要分发代码、要知道其他机子和driver做同样的事情。
        job.setJarByClass(WordCountMapper.class);
        //设置MapRededuce输出格式，key和value
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);
        //设置map和reduce的类型
        job.setMapperClass(WordCountMapper.class);
        job.setReducerClass(WordCountReduce.class);
        //设置输入和输出的格式
        job.setInputFormatClass(TextInputFormat.class);
        job.setOutputFormatClass(TextOutputFormat.class);
        //分别输入路径和输出路径，都是绝对路径
        FileInputFormat.setInputPaths(job, new Path("/user/hadoop/wordcount.txt"));
        FileOutputFormat.setOutputPath(job, new Path("/user/hadoop/" + new SimpleDateFormat("mmss").format(new Date())));
        //提交任务
        job.waitForCompletion(true);
    }
}

转载于:https://my.oschina.net/momisabuilder/blog/285650