1、Mapper类
- 用户自定义一个Mapper类继承Hadoop的Mapper类
- Mapper的输入数据是KV对的形式（类型可以自定义）
- Map阶段的业务逻辑定义在map()方法中
- Mapper的输出数据是KV对的形式（类型可以自定义）
注意：map()方法是对输入的一个KV对调用一次！！
2、Reducer类
- 用户自定义Reducer类要继承Hadoop的Reducer类
- Reducer的输入数据类型对应Mapper的输出数据类型（KV对）
- Reducer的业务逻辑写在reduce()方法中
- Reduce()方法是对相同K的一组KV对调用执行一次
3、Driver阶段
创建提交YARN集群运行的Job对象，其中封装了MapReduce程序运行所需要的相关参数入输入数据路径，输出数据路径等，也相当于是一个YARN集群的客户端，主要作用就是提交我们MapReduce程序运行。
4、WordCount代码实现
4.1、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
- 输入数据：wc.txt;
- 输出：
apache 2
clickhouse 2
hadoop 1
mapreduce 1
spark 2
xiaoming 1
4.2、具体步骤
按照MapReduce编程规范，分别编写Mapper，Reducer，Driver。
（1）新建maven工程
- 导入hadoop依赖
<?xml version="1.0" encoding="UTF-8"?> <project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd"> <modelVersion>4.0.0</modelVersion> <groupId>com.lagou</groupId> <artifactId>Wordcount</artifactId> <version>1.0-SNAPSHOT</version> <dependencies> <dependency> <groupId>org.apache.logging.log4j</groupId> <artifactId>log4j-core</artifactId> <version>2.8.2</version> </dependency> <dependency> <groupId>org.apache.hadoop</groupId> <artifactId>hadoop-common</artifactId> <version>2.9.2</version> </dependency> <dependency> <groupId>org.apache.hadoop</groupId> <artifactId>hadoop-client</artifactId> <version>2.9.2</version> </dependency> <dependency> <groupId>org.apache.hadoop</groupId> <artifactId>hadoop-hdfs</artifactId> <version>2.9.2</version> </dependency> </dependencies> <build> <plugins> <plugin> <groupId>org.apache.maven.plugins</groupId> <artifactId>maven-compiler-plugin</artifactId> <version>3.5.1</version> <configuration> <source>1.8</source> <target>1.8</target> </configuration> </plugin> <!--maven打包插件 --> <plugin> <artifactId>maven-compiler-plugin</artifactId> <version>2.3.2</version> <configuration> <source>1.8</source> <target>1.8</target> </configuration> </plugin> <plugin> <artifactId>maven-assembly-plugin</artifactId> <configuration> <descriptorRefs> <descriptorRef>jar-with-dependencies</descriptorRef> </descriptorRefs> </configuration> <executions> <execution> <id>make-assembly</id> <phase>package</phase> <goals> <goal>single</goal> </goals> </execution> </executions> </plugin> </plugins> </build> </project> - 添加log4j.properties
log4j.rootLogger=INFO, stdout log4j.appender.stdout=org.apache.log4j.ConsoleAppender log4j.appender.stdout.layout=org.apache.log4j.PatternLayout log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n log4j.appender.logfile=org.apache.log4j.FileAppender log4j.appender.logfile.File=target/spring.log log4j.appender.logfile.layout=org.apache.log4j.PatternLayout log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n
（2）整体思路梳理（仿照源码）
Map阶段：
- map()方法中把传入的数据转为String类型
- 根据空格切分出单词
- 输出<单词，1>
Reduce阶段：
- 汇总各个key(单词)的个数，遍历value数据进行累加
- 输出key的总数
Driver
- 获取配置文件对象，获取job对象实例
- 指定程序jar的本地路径
- 指定Mapper/Reducer类
- 指定Mapper输出的kv数据类型
- 指定最终输出的kv数据类型
- 指定job处理的原始数据路径
- 指定job输出结果路径
- 提交作业
（3）编写Mapper类
package com.lagou.mr.wc;
import org.apache.hadoop.io.*;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
// 继承Mapper类
// Mapper类的泛型参数共四个，2对kv
/*
* 第一对kv：map输入参数类型
* 第二队kv：map输出参数类型
* LongWritable, Text ->文本偏移量（后面不会用到），一行文本内容
* Text, IntWritable ->单词，1
*/
public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
// 重写Mapper类的map方法
/**
* 1、接收文本内容，转为String类型
* 2、按照空格进行拆分
* 3、输出<单词, 1>
*/
// 提升为全局方法，避免每次执行map方法，都执行此操作
Text word = new Text();
IntWritable one = new IntWritable(1);
// LongWritable, Text ->文本偏移量，一行文本内容，map方法的输入参数，一行文本调用一次map方法
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
// 1、接收文本内容，转为String类型
String str = value.toString();
// 2、按照空格进行拆分
String[] words = str.split(" ");
// 3、输出<单词, 1>
// 遍历数据
for (String s : words) {
word.set(s);
context.write(word, one);
}
}
}
继承的Mapper类型选择新版本API：
（4）编写Reducer类
package com.lagou.mr.wc;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.io.*;
import java.io.IOException;
// 继承的Reducer类有四个泛型参数 2对kv
// 第一对kv：类型要与Mapper输出类型一致：Text, IntWritable
public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
// 1、重写reduce方法
// Text key:map方法输出的key，本案中就是单词，
// Iterable<IntWritable> values: 一组key相同的kv的value组成的集合
/**
* 假设map方法：hello 1; hello 1; hello 1
* reduce的key和value是什么
* key:hello
* values:<1,1,1>
* <p>
* 假设map方法输出：hello 1, hello 1, hadoop 1, mapreduce 1, hadoop 1
* reduce的key和value是什么？
* reduce方法何时调用：一组key相同的kv中的value组成集合然后调用一次reduce方法
* 第一次：key:hello ,values:<1,1,1>
* 第二次：key:hadoop ,values<1,1>
* 第三次：key:mapreduce ,values<1>
*/
IntWritable total = new IntWritable();
@Override
protected void reduce(Text key, Iterable<IntWritable> values, Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException {
// 2、遍历key对应的values，然后累加结果
int sum = 0;
for (IntWritable value : values) {
int i = value.get();
sum += 1;
}
// 3、直接输出当前key对应的sum值，结果就是单词出现的总次数
total.set(sum);
context.write(key, total);
}
}
选择继承的Reducer类
（5） 编写Driver驱动类
package com.lagou.mr.wc;
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;
// 封装任务并提交运行
public class WordCountDriver {
public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {
/*
1. 获取配置文件对象，获取job对象实例
2. 指定程序jar的本地路径
3. 指定Mapper/Reducer类
4. 指定Mapper输出的kv数据类型
5. 指定最终输出的kv数据类型
6. 指定job处理的原始数据路径
7. 指定job输出结果路径
8. 提交作业
*/
// 1. 获取配置文件对象，获取job对象实例
Configuration conf = new Configuration();
Job job = Job.getInstance(conf, "WordCountDriver");/// jobName可以自定义
// 2. 指定程序jar的本地路径
job.setJarByClass(WordCountDriver.class);
// 3. 指定Mapper/Reducer类
job.setMapperClass(WordCountMapper.class);
job.setReducerClass(WordCountReducer.class);
// 4. 指定Mapper输出的kv数据类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
// 5. 指定最终输出的kv数据类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
// 6. 指定job处理的原始数据路径
FileInputFormat.setInputPaths(job, new Path(args[0])); // 指定读取数据的原始路径
// 7. 指定job输出结果路径
FileOutputFormat.setOutputPath(job, new Path(args[1])); // 指定结果数据输出路径
// 8. 提交作业
boolean flag = job.waitForCompletion(true);
// jvm退出：正常退出0，非0值则是错误退出
System.exit(flag ? 0 : 1);
}
}
运行任务
1、本地模式
直接Idea中运行驱动类即可
idea运行需要传入参数：
选择editconfiguration
在program arguments设置参数
运行时报错 ----> 参见博文org.apache.hadoop.io.nativeio.NativeIO$Windows.access0(Ljava/lang/String；I)Z的解决办法_zhouang770377的博客-CSDN博客
运行结束，去到输出结果路径查看结果
注意本地idea运行mr任务与集群没有任何关系，没有提交任务到yarn集群，是在本地使用多线程方式模拟的mr的运行。
2、Yarn集群模式
把程序打成jar包，改名为wc.jar;上传到Hadoop集群
选择合适的Jar包
准备原始数据文件，上传到HDFS的路径，不能是本地路径，因为跨节点运行无法获取数据！！
启动Hadoop集群（Hdfs,Yarn）
使用Hadoop 命令提交任务运行
hadoop jar wc.jar com.lagou.wordcount.WordcountDriver /user/lagou/input /user/lagou/outputYarn集群任务运行成功展示图
1041
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
