手写MR程序之wordcount案例

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

在这里插入图片描述

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

在这里插入图片描述

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。
在这里插入图片描述

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)

在这里插入图片描述

(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);
    }
}

(2)编辑任务配置配置连接集群用户和输入输出路径

在这里插入图片描述

(4)运行并查看结果
  • 2
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值