1、Map 类编写
Mapper:是 MapReduce 计算框架中 Map 过程的封装
Text:Hadoop 对 Java String 类的封装,适用于 Hadoop 对文本字符串的处理
IntWritable:Hadoop 对 Java Integer 类的封装,适用于 Hadoop 整型的处理
Context:Hadoop 环境基于上下文的操作对象,如 Map 中 key/value 的输出、分布式缓存数据、分布式参数传递等
StringTokenizer:对 String 对象字符串的操作类,做基于空白字符的切分操作工具类
源码编写实现:
package com.mapper;
import java.io.IOException; import java.util.StringTokenizer;
import org.apache.hadoop.io.IntWritable; import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper; public class MyTokenizerMapper extends
Mapper<Object, Text, Text, IntWritable> {
// 暂存每个传过来的词频计数,均为 1,省掉重复申请空间
private final static IntWritable one = new IntWritable(1);
// 暂存每个传过来的词的值,省掉重复申请空间
private Text word = new Text();
// 核心 map 方法的具体实现,逐个<key,value>对去处理
public void map(Object key, Text value, Context context)
throws IOException, InterruptedException {
// 用每行的字符串值初始化 StringTokenizer
StringTokenizer itr = new StringTokenizer(value.toString());
// 循环取得每个空白符分隔出来的每个元素
while (itr.hasMoreTokens()) {
// 将取得出的每个元素放到 word Text 对象中
word.set(itr.nextToken());
// 通过 context 对象,将 map 的输出逐个输出
context.write(word, one);
}
}
}
2、Reduce 类编写
Reducer:是 MapReduce 计算框架中 Reduce 过程的封装
源码编写实现:
package com.reducer;
import java.io.IOException;
import org.apache.hadoop.io.IntWritable; import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
//reduce 类,实现 reduce 函数public class IntSumReducer extends
Reducer<Text, IntWritable, Text, IntWritable> {
private IntWritable result = new IntWritable();
//核心 reduce 方法的具体实现,逐个<key,List(v1,v2)>去处理
public void reduce(Text key, Iterable<IntWritable> values,
Context context) throws IOException, InterruptedException {
//暂存每个 key 组中计算总和
int sum = 0;
//加强型 for,依次获取迭代器中的每个元素值,即为一个一个的词频数值
for (IntWritable val : values) {
//将 key 组中的每个词频数值 sum 到一起
sum += val.get();
}
//将该 key 组 sum 完成的值放到 result IntWritable 中,使可以序列化输出
result.set(sum);
//将计算结果逐条输出
context.write(key, result);
}
}
3、Driver 类编写
Configuration:与 HDFS 中的 Configuration 一致,负责参数的加载和传递
Job:作业,是对一轮 MapReduce 任务的抽象,即一个 MapReduce 的执行全过程的管理类
FileInputFormat:指定输入数据的工具类,用于指定任务的输入数据路径
FileOutputFormat:指定输出数据的工具类,用于指定任务的输出数据路径
源码编写实现:
package com.driver;
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 com.mapper.MyTokenizerMapper;
import com.reducer.IntSumReducer;
public class WordCount {
// 启动 mr 的 driver 方法
public static void main(String[] args) throws Exception {
// 得到集群配置参数
Configuration conf = new Configuration();
// 设置到本次的 job 实例中
Job job = Job.getInstance(conf, "天亮 WordCount");
// 指定本次执行的主类是 WordCount
job.setJarByClass(WordCount.class);
// 指定 map 类
job.setMapperClass(MyTokenizerMapper.class);
// 指定 combiner 类,要么不指定,如果指定,一般与 reducer 类相同
job.setCombinerClass(IntSumReducer.class);
// 指定 reducer 类
job.setReducerClass(IntSumReducer.class);
// 指定 job 输出的 key 和 value 的类型,如果 map 和 reduce 输出类型不完全相同,需要重新设置 map 的 output 的 key 和 value 的 class 类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
// 指定输入数据的路径
FileInputFormat.addInputPath(job, new Path(args[0]));
// 指定输出路径,并要求该输出路径一定是不存在的
FileOutputFormat.setOutputPath(job, new Path(args[1]));
// 指定 job 执行模式,等待任务执行完成后,提交任务的客户端才会退出!
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
}
4、Maven 打包
使用 Maven 命令,基于配置的 Maven 插件实现代码打包。
5、上传到运行环境
使用 rz 命令将打好的运行包上传到集群环境中。
6、运行 WordCount 程序具体提交命令为:
yarn jar testhdfs-jar-with-dependencies.jar com.driver.WordCount
/tmp/input /tmp/output3
7、查看执行过程
8、标砖代码实现
将之前的三个类,合并成一个类来处理
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;
//启动 mr 的 driver 类
public class WordCount {
//map 类,实现 map 函数
public static class MyTokenizerMapper extends
Mapper<Object, Text, Text, IntWritable> {
//暂存每个传过来的词频计数,均为 1,省掉重复申请空间
private final static IntWritable one = new IntWritable(1);
//暂存每个传过来的词的值,省掉重复申请空间
private Text word = new Text();
//核心 map 方法的具体实现,逐个<key,value>对去处理
public void map(Object key, Text value, Context context)
throws IOException, InterruptedException {
//用每行的字符串值初始化 StringTokenizer
StringTokenizer itr = new StringTokenizer(value.toString());
//循环取得每个空白符分隔出来的每个元素
while (itr.hasMoreTokens()) {
//将取得出的每个元素放到 word Text 对象中
word.set(itr.nextToken());
//通过 context 对象,将 map 的输出逐个输出
context.write(word, one);
}
}
}
//reduce 类,实现 reduce 函数
public static class IntSumReducer extends
Reducer<Text, IntWritable, Text, IntWritable> {
private IntWritable result = new IntWritable();
//核心 reduce 方法的具体实现,逐个<key,List(v1,v2)>去处理
public void reduce(Text key, Iterable<IntWritable> values,
Context context) throws IOException, InterruptedException {
//暂存每个 key 组中计算总和
int sum = 0;
//加强型 for,依次获取迭代器中的每个元素值,即为一个一个的词频数值
for (IntWritable val : values) {
//将 key 组中的每个词频数值 sum 到一起
sum += val.get();
}
//将该 key 组 sum 完成的值放到 result IntWritable 中,使可以序列化输出
result.set(sum);
//将计算结果逐条输出
context.write(key, result);
}
}
//启动 mr 的 driver 方法
public static void main(String[] args) throws Exception {
//得到集群配置参数
Configuration conf = new Configuration();
//设置到本次的 job 实例中
Job job = Job.getInstance(conf, "天亮 WordCount");
//指定本次执行的主类是 WordCount
job.setJarByClass(WordCount.class);
//指定 map 类
job.setMapperClass(MyTokenizerMapper.class);
//指定 combiner 类,要么不指定,如果指定,一般与 reducer 类相同
job.setCombinerClass(IntSumReducer.class);
//指定 reducer 类
job.setReducerClass(IntSumReducer.class);
//指定 job 输出的 key 和 value 的类型,如果 map 和 reduce 输出类型不完全相同,需要重新设置 map 的 output 的 key 和 value 的 class 类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
//指定输入数据的路径
FileInputFormat.addInputPath(job, new Path(args[0]));
//指定输出路径,并要求该输出路径一定是不存在的
FileOutputFormat.setOutputPath(job, new Path(args[1]));
//指定 job 执行模式,等待任务执行完成后,提交任务的客户端才会退出!
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
}