基
础
实
验
Hadoop中的HDFS解决了分布式文件存储的问题。本文将介绍Hadoop中的MapReduce,主要用于解决大规模并行计算的问题。
MapReduce是一种编程模型,用于大规模数据集的并行计算。
MapReduce采用了“分而治之”的思想。Map负责“分”,即把复杂的任务分解为若干个“简单的任务”来并行处理;Reduce负责“合”,即对Map阶段的结果进行全局汇总。
MapReduce中定义了如下的Map和Reduce两个抽象的编程接口,由用户去编程实现:
Map: (k1; v1) → [(k2; v2)]
Reduce: (k2; [v2]) → [(k3; v3)]
MapReduce程序执行过程
MapReduce程序的执行过程主要分为三步:Map阶段、Shuffle阶段、Reduce阶段,如下图所示。
Map阶段:Map阶段的输入通常是HDFS上文件,在运行Mapper前,FileInputFormat会将输入文件分割成多个split。对输入分片中的每个“键值对”调用map()函数进行运算,然后输出一个结果键值对。
Shuffle阶段: Shuffle阶段所处的位置是Map阶段输出之后,Reduce任务接收前。主要是对Map的输出数据进行处理,形成一定的有规则的数据文件集,以便Reduce任务进行接收。
Reduce阶段:Shuffle阶段最终生成了一个有序的数据文件作为Reduce的输入,对于该文件中的每一个“键值对”调用reduce()方法,并将结果写到HDFS中。
01
实验目的
熟悉MapReduce程序的编写步骤
通过编写Mapper类、Reducer类、程序执行类,完成单词计数的任务。
02
实验环境
云服务器1台:(华为云、阿里云、腾讯云等等均可)
操作系统:CentOS7.4 64位
系统配置:2核4G以上
感谢华为云提供云服务器支持!
03
实验步骤
![6ce9c64f8b269b18a5d11a4494c8c9b4.gif](https://i-blog.csdnimg.cn/blog_migrate/4d89e07282d265bcf9e8fa7fcad94beb.gif)
01
新建IntelliJ IDEA下的maven项目
点击File->New->Project,在弹出的对话框中选择Maven
JDK选择相应的版本,点击Next
填写Maven的
GroupId
和ArtifactId,可以随便填写
项目名可填写MapReduce
编辑pom.xml添加依赖及build配置参数
<dependencies>
<dependency>
<groupId>commons-beanutilsgroupId>
<artifactId>commons-beanutilsartifactId>
<version>1.9.3version>
dependency>
<dependency>
<groupId>org.apache.hadoopgroupId>
<artifactId>hadoop-mapreduce-client-jobclientartifactId>
<version>2.8.5version>
<scope>providedscope>
dependency>
<dependency>
<groupId>org.apache.hadoopgroupId>
<artifactId>hadoop-mapreduce-client-coreartifactId>
<version>2.8.5version>
dependency>
<dependency>
<groupId>org.apache.hadoopgroupId>
<artifactId>hadoop-commonartifactId>
<version>2.8.5version>
dependency>
<dependency>
<groupId>org.apache.hadoopgroupId>
<artifactId>hadoop-hdfsartifactId>
<version>2.8.5version>
dependency>
dependencies>
<build>
<plugins>
<plugin>
<artifactId>maven-compiler-pluginartifactId>
<version>2.3.2version>
<configuration>
<source>1.8source>
<target>1.8target>
configuration>
plugin>
<plugin>
<artifactId>maven-assembly-plugin artifactId>
<configuration>
<descriptorRefs>
<descriptorRef>jar-with-dependenciesdescriptorRef>
descriptorRefs>
<archive>
<manifest>
<mainClass>com.myhadoop.WordCountmainClass>
manifest>
archive>
configuration>
<executions>
<execution>
<id>make-assemblyid>
<phase>packagephase>
<goals>
<goal>singlegoal>
goals>
execution>
executions>
plugin>
plugins>
build>
02
编写代码
1、编写Maper类
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;
public class MyMapper extends Mapper<LongWritable, Text, Text, IntWritable>{
private Text k = new Text();
private IntWritable v = new IntWritable(1);
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
String[] words = value.toString().split(" ");
for (String word : words) {
k.set(word);
context.write(k, v);
}
}
}
2、编写Reducer类
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
public class MyReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
private IntWritable v = new IntWritable();
@Override
protected void reduce(Text key, Iterable values, Context context) throws IOException, InterruptedException {
int sum = 0;
for (IntWritable value : values) {
sum += value.get();
}
v.set(sum);
context.write(key,v);
}
}
3、编写程序执行主类
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.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import java.io.IOException;
public class WordCount {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
//构建Configuration实例
Configuration configuration = new Configuration();
//其他配置信息
//获得Job实例
Job job = Job.getInstance(configuration,"My WordCount Job");
job.setJarByClass(WordCount.class);
//设置Mapper和Reducer处理类
job.setMapperClass(MyMapper.class);
job.setReducerClass(MyReducer.class);
//设置Mapper和Reducer的输入输出格式
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
//设置输出结果的数据格式
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
//指定输入和输出路径
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
//提交任务,true为提交成功,如果为true打印0,为false打印1
boolean b = job.waitForCompletion(true);
System.exit(b ? 0 : 1);
}
}
03
打包发布
1、在终端执行如下命令编译jar包
mvn clean package
2、jar包打完之后打开左侧target文件夹,发现有两个jar包,把无依赖的jar包复制到hadoop-node1节点内
3、在hadoop-node1节点下执行命令
hadoop jar jar包名 classname
hadoop jar mapreduce-1.0-SNAPSHOT.jar com.myhadoop.WordCount /input /output
统计HDFS中/input目录内文件含有的单词数量,输出到output目录
计算结果保存到HDFS中/output/part-r-00000文件
END
![5f2556914372f8a40833121cd6db0a0f.png](https://i-blog.csdnimg.cn/blog_migrate/26adbf537bd35e8d69b06b4172ced3ed.png)
让我知道你在看
![5bf2f9461c98102117af2d1bd5691b46.gif](https://i-blog.csdnimg.cn/blog_migrate/0dafc8c2cf92c0226c6ac5a7f0bf8d9e.gif)