手写MR程序之wordcount案例(三种提交方式)
一、WordCount案例实操
1)MR原理解析
从不同角度理解MR程序的运行:
1.流的角度:
Input --->InputFormat ----> Mapper---> Shuffle ---->Reducer ---> OutputFormat--->Output
2.MR阶段划分:
Map ---> Shuffle ---> Reduce
3.底层代码:
MapTask:
mapPhase = getProgress().addPhase("map", 0.667f);
sortPhase = getProgress().addPhase("sort", 0.333f);
ReduceTask:
copyPhase = getProgress().addPhase("copy");
sortPhase = getProgress().addPhase("sort");
reducePhase = getProgress().addPhase("reduce");
map ---> sort ---> copy ---> sort ---> reduce
2)需求
在给定的文本文件中统计输出每一个单词出现的总次数
(1)输入数据
ss ss
cls cls
jiao
banzhang
xue
hadoop
(2)期望输出数据
banzhang 1
cls 2
hadoop 1
jiao 1
ss 2
xue 1
2)需求分析
按照MapReduce编程规范,分别编写Mapper,Reducer,Driver。
3)环境准备
(1)使用idea创建maven工程
(2)在pom.xml文件中添加如下依赖
<dependencies>
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>4.12</version>
</dependency>
<dependency>
<groupId>org.apache.logging.log4j</groupId>
<artifactId>log4j-slf4j-impl</artifactId>
<version>2.12.0</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>3.1.3</version>
</dependency>
</dependencies>
第一个依赖为junit测试包,第二个依赖为log4j打印日志包(非必须)
第三个依赖包为hadoop的依赖包(必须)
(2)在项目的src/main/resources目录下,新建一个文件,命名为“log4j2.xml”,在文件中填入。
<?xml version="1.0" encoding="UTF-8"?>
<Configuration status="error" strict="true" name="XMLConfig">
<Appenders>
<!-- 类型名为Console,名称为必须属性 -->
<Appender type="Console" name="STDOUT">
<!-- 布局为PatternLayout的方式,
输出样式为[INFO] [2018-01-22 17:34:01][org.test.Console]I'm here -->
<Layout type="PatternLayout"
pattern="[%p] [%d{yyyy-MM-dd HH:mm:ss}][%c{10}]%m%n" />
</Appender>
</Appenders>
<Loggers>
<!-- 可加性为false -->
<Logger name="test" level="info" additivity="false">
<AppenderRef ref="STDOUT" />
</Logger>
<!-- root loggerConfig设置 -->
<Root level="info">
<AppenderRef ref="STDOUT" />
</Root>
</Loggers>
</Configuration>
这里主要是配置日志输出信息,可以在此设置日志打印级别。
4)编写程序
(1)编写Mapper类
package com.hadoop.wordcount;
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;
/*
Mapper类是Map阶段MapTask任务需要执行业务逻辑代码所使用的类:
1.自定义一个类并继承Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT>
2.Mapper的泛型解释:
Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT>
第一对:
KEYIN :读取文件内容的偏移量
VALUEIN :具体读取的数据(一行一行的数据)
第二对:
KEYOUT: 写出数据的key的类型(在这是单词的类型)
VALUEOUT: 写出数据的value的类型(在这是单词的数量的类型)
*/
public class WCMapper extends Mapper<LongWritable, Text,Text, IntWritable> {
//定义Mapper阶段输出的kv对
//在实际生产中建议将此变量设置为私有变量,一次创建多次使用,减少jvm的资源消耗
// (因为在大数据环境下map方法会被执行无数次,在map方法中创建kv变量会被反复创建删除,极度消耗资源)
private Text outkey = new Text();
private IntWritable outvalue = new IntWritable();
/**
* map阶段执行的业务逻辑代码就是在map方法中执行的代码。
* map方法会在map阶段被循环调用。每调用一次读取一行数据。
*
* @param key 读取的数据的偏移量(在这里指读取文件的行号)
* @param value 读取文件中的数据(一行一行的数据)
* @param context 上下文(在这用来将数据写出)
* @throws IOException
* @throws InterruptedException
*/
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//1.将读取的数据类型转换为String,hadoop一行一行读取文件,默认类型为Text
String line = value.toString();
//2.按空格切割数据(此处应根据实际文件的分割符号确认)
String[] lineSplit = line.split(" ");
//3.封装Mapper阶段输出的K,V(根据业务确定K,V类型)
for (String s : lineSplit) {
outkey.set(s);
outvalue.set(1);
//4.将K,V写出,contex为hadoop运行环境的上下文信息
context.write(outkey,outvalue);
}
}
}
扩展:hadoop序列化数据类型(详细介绍见下一篇文章)
(2)编写Reducer类
package com.hadoop.wordcount;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
/*
Reducer类是Reduce阶段ReduceTask任务需要执行业务逻辑代码所使用的类:
1.自定义一个类并继承Reducer<KEYIN,VALUEIN,KEYOUT,VALUEOUT>
2.Reducer类的泛型Reducer<KEYIN,VALUEIN,KEYOUT,VALUEOUT>
第一对:
KEYIN: 输入的Key(是Mapper输出的Key)
VALUEIN: 输入的Value(是Mapper输出的Value)
第二对:
KEYOUT : 输出的Key(在这就是单词)
VALUEOUT : 输出的Value(在这就是单词的数量)
*/
public class WCReducer extends Reducer<Text, IntWritable,Text,IntWritable> {
//将Reducer阶段输出KV提出,原因同Mapper程序
private IntWritable outvalue = new IntWritable();
/**
* reduce阶段执行的业务逻辑代码就是在reduce方法中执行的代码。
* @param key : 读取的一组数据的key
* @param values : 读取的一组数据的所有value
* @param context : 上下文(在这用来写出数据)
* @throws IOException
* @throws InterruptedException
*/
@Override
protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
//1.定义sum变量用于记录单词总数
int sum =0;
//2.遍历所有的value并对value进行累加
for (IntWritable value : values) {
//对value进行累加
sum += value.get();
}
//3.封装KV,这里的key是每一个单词,v是单词的数量
outvalue.set(sum);
//4.写出数据
context.write(key,outvalue);
}
}
(3)编写Driver驱动类
package com.atguigu.wordcount;
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;
public class WCDriver {
public static void main(String[] args) throws Exception {
//1.创建job对象
Job job = Job.getInstance(new Configuration());
//2.设置Jar加载的路径(本地模式可以不用设置)
job.setJarByClass(WCDriver.class);
//3.设置Mapper和Reducer
job.setMapperClass(WCMapper.class);
job.setReducerClass(WCReducer.class);
//4.设置mapper输出类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
//5.设置最终输出的类型(在这里是Reducer输出的k,v的类型)
job.setOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
//6.设置输入输出路径
FileInputFormat.setInputPaths(job,new Path("D:\\io\\input"));
FileOutputFormat.setOutputPath(job,new Path("D:\\io\\output"));
//7.执行job
/* boolean waitForCompletion(boolean verbose)
verbose : 是否打印进度
返回值 :如果为true表示job执行成功
*/
job.waitForCompletion(true);
}
}
5)本地测试
(1)需要首先配置好HadoopHome变量以及Windows运行依赖
(2)在Eclipse/Idea上运行程序
6)集群上测试
修改Driver驱动类,使用参数方式获取输入输出路径
package com.atguigu.wordcount;
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;
/*
将该程序打包后可在集群上直接运行。
1.在集群上操作的命令 : hadoop jar xxx.jar 全类名 输入路径 输出路径
2.在代码中输入和输出的路径是通过main方法传入的。
*/
public class WCDriver2 {
public static void main(String[] args) throws Exception {
//1.创建job对象
Job job = Job.getInstance(new Configuration());
//2.2.设置Jar加载的路径(本地模式可以不用设置)
job.setJarByClass(WCDriver2.class);
//3.设置Mapper和Reducer
job.setMapperClass(WCMapper.class);
job.setReducerClass(WCReducer.class);
//4.设置mapper输出类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
//5.设置最终输出类型(在这是Reducer输出的k,v的类型)
job.setOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
//6.设置输入输出路径
FileInputFormat.setInputPaths(job,new Path(args[0]));
FileOutputFormat.setOutputPath(job,new Path(args[1]));
//7.执行job
job.waitForCompletion(true);
}
}
7)在Windows上向集群提交任务
(1)再次修改驱动类,配置集群连接信息
package com.atguigu.wordcount;
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;
/*
从windows上集群提交Job
1.在原WordCount的基础上添加配置内容
//设置在集群运行的相关参数-设置HDFS,NAMENODE的地址
conf.set("fs.defaultFS", "hdfs://hadoop102:9820");
//指定MR运行在Yarn上
conf.set("mapreduce.framework.name","yarn");
//指定MR可以在远程集群运行
conf.set(
"mapreduce.app-submission.cross-platform","true");
//指定yarn resourcemanager的位置
conf.set("yarn.resourcemanager.hostname", "hadoop103");
2.打包
3.
①将job.setJarByClass(WCDriver3.class);注掉
②设置job.setJar(打的jar包的路径)
4.在Edits Configurations中配置
VM OPTIONS : -DHADOOP_USER_NAME=atguigu
PROGROAM ARGUMENTS : hdfs://hadoop102:9820/input hdfs://hadoop102:9820/output
*/
public class WCDriver3 {
public static void main(String[] args) throws Exception {
//1.创建Job对象
Configuration conf = new Configuration();
//设置在集群运行的相关参数-设置HDFS,NAMENODE的地址
conf.set("fs.defaultFS", "hdfs://hadoop102:9820");
//指定MR运行在Yarn上
conf.set("mapreduce.framework.name","yarn");
//指定MR可以在远程集群运行
conf.set(
"mapreduce.app-submission.cross-platform","true");
//指定yarn resourcemanager的位置
conf.set("yarn.resourcemanager.hostname", "hadoop103");
Job job = Job.getInstance(conf);
//2.设置Jar加载的路径(打包生成包的路径)
//job.setJarByClass(WCDriver3.class);
job.setJar("D:\\IdeaProject\\MRDemo\\target\\atguigu-1.0-SNAPSHOT.jar");
//3.设置Mapper和Reducer
job.setMapperClass(WCMapper.class);
job.setReducerClass(WCReducer.class);
//4.设置mapper输出类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
//5.设置最终输出类型
job.setOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
//6.设置输入输出路径
FileInputFormat.setInputPaths(job,new Path(args[0]));
FileOutputFormat.setOutputPath(job,new Path(args[1]));
//7.执行job
job.waitForCompletion(true);
}
}