hadoop mapreduce java 单词统计三个实现方法

hadoop MapReduce框架可以让你的应用在集群中：可靠地、容错地、并行、处理TB级别的数据。
本实例通过idea运行java本地代码，实现统计单词计数。
hadoop集群搭建见 hadoop基于zookeper自动高可用搭建。这里就不在重复赘述。

1 统计文件准备

1.1 创建需要统计单词的文件

任意选择一条服务器，创建包含hello world number hello.txt文件

for i in `seq 100000`;do echo hello world $i >hello.txt ;done;

1.2 上传到hdfs文件系统上

创建目录 /home/root

hdfs dfs -mkdir /home
 hdfs dfs -mkdir /home/root

查看是否创建成功

 hdfs dfs -ls /home

上传文件到hdfs服务器上
设置块大小为1MB

  hdfs dfs -D dfs.blocksize=1048576  -put hello.txt  /home/root

通过前台页面:node2:50070 可以看到上传文件被分为2个块 ，存放在node3和node4上

2 创建java项目

结构如下：

2.1 配置文件

conf目录下配置文件core-site.xml和hdfs-site.xml文件来在hadoop集群服务器上，路径为HADOOP_HOME/etc/hadoop。将此文件拷贝到本地java工程即可

cd $HADOOP_HOME/etc/hadoop

2.2 java代码

2.2.1 WordCountMapper 类

WordCountMapper 类需要重写map方法，代码如下：

ublic class WordCountMapper extends Mapper<LongWritable,Text,Text,IntWritable> {
    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        // key    value
        // <0, "hello world 1">
        // "hello bjsxt 1" 输出到reduce
        String line=value.toString();
        String [] words=line.split(" ");
        for (int i = 0; i < words.length-1; i++) {//排除最后一位数字
            context.write(new Text(words[i]),new IntWritable(1));
        }
 
        }
}

2.2.2WordCountReducer 类

WordCountReducer 类需要重写reduce方法。代码如下

public class WordCountReducer extends Reducer<Text,IntWritable,Text,IntWritable> {
    // <"hello", 1>
    // <"hello", 1>
    // key "hello", {1,1,1,1,1,1,1,1,1,1,1,1}  reducer 处理前结果
    @Override
    protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
       int sum=0;
        for (IntWritable value : values) {
            sum+=value.get();
        }
        // 输出结果为 <hello ,120>
        context.write(key,new IntWritable(sum));
    }
}

2.2.3 MainClass 类

MainClass类为本地运行类，代码如下：

//客户端运行
public class MainClass {
//    yarn jar mywc.jar com.bjsxt.mr.wordcount.MainClass /input /output
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
    long start = System.currentTimeMillis();

    if(args==null ||args.length!=2){
    System.out.println("Usage: yarn jar mywc.jar com.wh.mr.wordcount.MainClass <inpath> <outpath>");
        System.exit(1);
}

    Configuration conf=new Configuration(true);
    // 本地运行
     conf.set("mapreduce.framework.name","local");
    // 创建mapreduce作业Job对象
    Job job=Job.getInstance(conf);
    // 设置作业的名称
    job.setJobName("单次计数");
    // 设置作业的主入口类
    job.setJarByClass(MainClass.class);
    // 设置输入文件路径，该方法可以调用多次，用于设置多个输入文件路径
    FileInputFormat.addInputPath(job,new Path(args[0]));
    // 设置输出文件路径
    FileOutputFormat.setOutputPath(job,new Path(args[1]));
    // 设置mapper类
    job.setMapperClass(WordCountMapper.class);
    // 设置reducer类
    job.setReducerClass(WordCountReducer.class);
    // 设置mapper输出key的类型，用于排序
    job.setMapOutputKeyClass(Text.class);
    // 设置mapper输出value的类型
    job.setMapOutputValueClass(IntWritable.class);
    // 提交作业到集群运行，并等待程序在集群中运行结束
     job.waitForCompletion(true);
    long end = System.currentTimeMillis();
    long cost = end - start;
    System.out.println("耗时:"+cost);
}
}

3 参数设置

需要从main方法传入需要处理的文件以及输出结果目录，设置如下图所示

需要注意的是 program arguments参数设置需要处理的文件以及处理结果路径。结果处理存放路径不能是存在的，不然程序会抛异常

4 运行结果

运行程序以后，通过页面node2:50070进入文件管理可以看到执行结果
存放到/mr/output目录下

执行结果写入到 part-r-00000文件中，该文件块id为1073742362。
写入到node3和node5上

node3和node5任意选一台，本实例选择node5.
进入数据存放目录。

core-site.xml(cd $HADOOP_HOME/etc/hadoop)这个配置文件

 /var/wh/hadoop/ha

进入如下路径

var/wh/hadoop/ha/dfs/data/current/BP-1264273982-192.168.8.62-1605458224755/current/finalized/subdir0

进入后有三个文件

查找执行结果文件存放目录

 find . -name '*1073742362*'

看到 文件存放在 subdir2下

 vim  blk_1073742362

看到 统计hello 和world 个数都为10w个

5 服务器运行本地单词计数程序

hadoop自带有单词统计程序，在 $HADOOP_HOME/share/hadoop/mapreduce目录下

cd $HADOOP_HOME/share/hadoop/mapreduce
ls
 

在这里插入图片描述

然后执行

hadoop jar hadoop-mapreduce-examples-2.6.5.jar wordcount  /home/root/hello.txt  /mr/wordcount/output

*ouput:是hdfs中不存在的目录，mr程序运行的结果会输出到该目录
执行结果

 hdfs dfs -ls /mr/wordcount/output

结果存放在part-r-00000文件上

再通过如下命令查看结果

hdfs dfs -cat  /mr/wordcount/output/part-r-00000

6 打包本地java代码到服务器执行

还可以将本地的java代码打包到服务器执行，只是需要将mainclass文件中设置本地运行代码注释掉

  conf.set("mapreduce.framework.name","local");

打包页面如下

进入到打包目录找到包文件

D:\idea_workspace\hadoop\out\artifacts\mywc

上传代码到服务器上，

如果没有传参数运行

yarn   jar  mywc.jar   com.wh.mr.wordcount.MainClass 

可以看到这里运行结果按照java代码中进行退出。

yarn   jar  mywc.jar   com.wh.mr.wordcount.MainClass /home/root/hello.txt  /mr/wordcount/output2

运行结果