非常好的源码
package com.MergeSort;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
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;
import java.io.IOException;
import static org.apache.hadoop.mapreduce.Job.getInstance;
public class MyWordCount {
static class MyMapper extends Mapper<LongWritable, Text, Text, LongWritable> {
//Mapper<KETIN,VALUEIN,KEYOUT,VALUEOUT>
//KEYIN:框架要传送给咱们写的map方法的输入参数key的数据类型
//默认情况下,框架要传入的key是框架从待处理数据(文本文件)中,读取的某一行数据的偏移量
//所以数据类型是Long(对于海量数据来说int不够用)
//VALUE:框架要传送给咱们自己写的map方法的数据参数value的数据类型
//所以是String类型,但是Long,String等java原生态的数据类型的序列化效率较低(网络只能传输二进制数据
//所以要序列化),所以hadoop对数据类型进行了封装,有代替品:LongWritable、Text
//map方法处理完数据之后,需要返回一个值(一个key,一个value)
//KEYOUT:是map方法处理完数据之后返回的key的数据类型
//VALUEOUT:是map方法处理完数据之后返回的value的数据类型
//我们自定义map方法的调用规律:
//maptask每读取一行数据,就调用一次map方法
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
String line = value.toString();
//先将Text转台成String类型
String[] words = line.split("\\s+");
for (String word : words) {
context.write(new Text(word), new LongWritable(1));
//将单词作为key,将1作为value,以便于后续数据分发
//map端的输出数据:
//<hello,1>
//<world,1>
}
}
}
static class MyReducer extends Reducer<Text, LongWritable, Text, LongWritable> {
//reduce方法要接收的输入参数有两个:一个key,一个value(它是迭代器,Iterable<T>value)
//用迭代器是因为在数据量很大的情况下,迭代器不占内存
//所有key相同的数据都会给一个reduce
//KEYIN:框架要传递给reduce方法的输入参数的KEY的输入类型--对应map方法输出的key的类型
//VALUEIN:框架要传输给reduce方法的输入参数的VALUE的类型--对应map方法的输出value类型
//KEYOUT:reduce方法处理完成后的输出结果的key的类型
//VALUEOUT:reduce方法处理完成后的输出结果的value的类型(这里要输出 hello 3 这种格式)
//reduce方法的调用规律:框架从map端的输出结果中,挑选出所有的key相同的一组key-value数据对
//组成一组,然后每一组调用一次reduce方法
@Override
protected void reduce(Text key, Iterable<LongWritable> values, Context context) throws IOException, InterruptedException {
//接收到的数据:
//注:是按key的字典顺序排序(升序)
//<aaa,1>
//<bbb,1>
//<hello,1>
//<hello,1>
//<hrllo1,1>
//...
//传入参数,是一组相同单词key的kv键值对
//value是若干相同key的所有value的集合
//<hello,1,1,1,1>
long count = 0;//定义变量累加单词出现的次数
for (LongWritable v : values) {
count = count + v.get();//v.get()返回值为Long
//次数不一定是1,这样写比较保险
}
context.write(key, new LongWritable(count));
//将数据输出
}
}
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
Configuration conf = new Configuration();
//获取一个配置文件
conf.set("fs.defaultFS", "file:///");
//在本地运行
System.setProperty("HADOOP_USER_NAME", "root");
conf.set("mapreduce.framework.name", "local");
Job job = getInstance(conf, "wordcount");
//wordcount为job的名字
job.setJarByClass(MyWordCount.class);
//指定job的路径
job.setMapperClass(MyMapper.class);
//指定本业务job要使用的Mapper类
job.setReducerClass(MyReducer.class);
//指定本业务job要使用的Reducer类
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(LongWritable.class);
//map端write方法输出的类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(LongWritable.class);
//reduce端write方法输出的类型
FileInputFormat.setInputPaths(job, new Path("E:\\input"));
//指定job的输入路径
FileOutputFormat.setOutputPath(job, new Path("E:\\output"));
//指定job的输出路径
job.setNumReduceTasks(3);
//设置reducetask的个数,默认是1
boolean b = job.waitForCompletion(true);
//提交job,true表示显示程序的详细信息
System.exit(b ? 0 : 1);
//0表示正常退出
}
}