MapReduce实现词频统计

1.词频统计任务要求
准备两个txt文件分别为wordfile1.txt和wordfile2.txt，内容如下：

2.在Eclipse中创建项目
我的eclipse在usr/local/eclipse目录下，使用如下命令启动eclipse

cd /usr/local/eclipse
./eclipse

创建一个java工程命名为WordCount，点击next加载jar包

选中Libraries点击Add External JARS加载jar包

为了编写一个MapReduce程序，一般需要向Java工程中添加以下JAR包：
（1）“/usr/local/hadoop/share/hadoop/common”目录下的hadoop-common-3.0.3.jar和haoop-nfs-3.0.3.jar；
（2）“/usr/local/hadoop/share/hadoop/common/lib”目录下的所有JAR包；
（3）“/usr/local/hadoop/share/hadoop/mapreduce”目录下的所有JAR包，但是，不包括jdiff、lib、lib-examples和sources目录；
（4）“/usr/local/hadoop/share/hadoop/mapreduce/lib”目录下的所有JAR包。

3. 编写Java应用程序

import java.io.IOException;
import java.util.Iterator;
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;
import org.apache.hadoop.util.GenericOptionsParser;
public class WordCount {
    public WordCount() {
    }
     public static void main(String[] args) throws Exception {
        Configuration conf = new Configuration();
        String[] otherArgs = (new GenericOptionsParser(conf, args)).getRemainingArgs();
        if(otherArgs.length < 2) {
            System.err.println("Usage: wordcount <in> [<in>...] <out>");
            System.exit(2);
        }
        Job job = Job.getInstance(conf, "word count");
        job.setJarByClass(WordCount.class);
        job.setMapperClass(WordCount.TokenizerMapper.class);
        job.setCombinerClass(WordCount.IntSumReducer.class);
        job.setReducerClass(WordCount.IntSumReducer.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class); 
        for(int i = 0; i < otherArgs.length - 1; ++i) {
            FileInputFormat.addInputPath(job, new Path(otherArgs[i]));
        }
        FileOutputFormat.setOutputPath(job, new Path(otherArgs[otherArgs.length - 1]));
        System.exit(job.waitForCompletion(true)?0:1);
    }
    public static class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable> {
        private static final IntWritable one = new IntWritable(1);
        private Text word = new Text();
        public TokenizerMapper() {
        }
        public void map(Object key, Text value, Mapper<Object, Text, Text, IntWritable>.Context context) throws IOException, InterruptedException {
            StringTokenizer itr = new StringTokenizer(value.toString()); 
            while(itr.hasMoreTokens()) {
                this.word.set(itr.nextToken());
                context.write(this.word, one);
            }
        }
    }
public static class IntSumReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
        private IntWritable result = new IntWritable();
        public IntSumReducer() {
        }
        public void reduce(Text key, Iterable<IntWritable> values, Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException {
            int sum = 0;
            IntWritable val;
            for(Iterator i$ = values.iterator(); i$.hasNext(); sum += val.get()) {
                val = (IntWritable)i$.next();
            }
            this.result.set(sum);
            context.write(key, this.result);
        }
    }
}

4. 编译打包程序
可以直接点击Eclipse工作界面上部的运行程序的快捷按钮，当把鼠标移动到该按钮上时，在弹出的菜单中选择“Run as”，继续在弹出来的菜单中选择“Java Application”，然后可以把Java应用程序打包生成JAR包，部署到Hadoop平台上运行。现在可以把词频统计程序放在“/usr/local/hadoop/WordCount”目录下。可以用如下命令创建WordCount目录

cd /usr/local/hadoop
mkdir WordCount

在工程名称“WordCount”上点击鼠标右键，在弹出的菜单中选择“Export”，然后选择Runnable JAR file，并将其jar包保存在WordCount目录下，中间过程出现提示选择ok即可。

然后可以使用如下命令查看jar包是否保存在WordCount目录下

cd /usr/local/hadoop/WordCount
ls

5.运行程序
运行程序之前需要先使用如下命令启动hadoop平台

cd /usr/local/hadoop
./sbin/start-dfs.sh

登录hadoop平台之后可以用如下命令在hdfs创建两个目录input和output

./bin/hdfs dfs -mkdir /input
./bin/hdfs dfs -mkdir /output
./bin/hdfs dfs -ls /

再使用如下命令将之前创建的wordfile1.txt和wordfile2.txt两个文件上传道hadoop平台的input目录下

./bin/hdfs dfs -put /home/hadoop/wordfile1.txt /input
./bin/hdfs dfs -put /home/hadoop/wordfile2.txt /input
./bin/hdfs dfs -ls /input

(这里如果input前面不加“/”表示的是在hdfs中的/user/hadoop/input目录，加上“/”直接就是hdfs中的/input目录

然后使用如下命令开始运行程序

cd /usr/local/hadoop
./bin/hadoop jar ./WordCount/WordCount.jar /input output

(./WordCount/WordCount.jar表示在/usr/local/hadoop/WordCount目录下的WordCount.jar文件,如果WordCount.jar文件在家目录应改为如下命令)

cd /usr/local/hadoop
./bin/hadoop jar /home/hadoop/WordCount/WordCount.jar /input /output

运行成功后出现如下页面

运行结束后可以查看output目录下多了两个文件

词频统计结果已经保存在了hdfs中的/output目录下，使用如下命令查看运行结果

cd /usr/local/hadoop
./bin/hdfs dfs -cat /output
./bin/hdfs dfs -cat /output/part-r-00000

如果运行失败使用如下命令之后再运行上述代码

./bin/hdfs dfs -rm -r /output

运行结果如下图所示