七、MapReduce实战篇-单词计数

环境准备

• 开发MapReduce程序，需要Java环境，通常也就是在eclipse中新建一个Java Project工程

jar包准备

• 1）解压hadoop-2.7.2.tar.gz到非中文目录
• 2）进入share\hadoop文件夹，查找所有jar包，并把jar包拷贝到_lib文件夹下
• 3）在全部jar包中查找.source.jar，并剪切到_source文件夹。
• 4）在全部jar包中查找tests.jar，并剪切到_test文件夹。
• 5）最后把_lib文件夹下剩下的所有jar包导入到Java Project工程中

单词计数

• 需求：在一堆给定的文本文件中统计输出每一个单词出现的总次数

Mapper阶段

• maptask会对每一行输入数据调用一次我们自定义的map()方法

package com.hadoop.mapreduce.wordcount;

import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

/**
 * KEYIN：默认情况下，是mr框架所读到的一行文本的起始偏移量，Long,但是在hadoop中有自己的更精简的序列化接口， 所以不直接用Long，而用LongWritable
 * VALUEIN：默认情况下，是mr框架所读到的一行文本的内容，String，同上，用Text
 * KEYOUT：是用户自定义逻辑处理完成之后输出数据中的key，在此处是单词，String，同上，用Text
 * VALUEOUT：是用户自定义逻辑处理完成之后输出数据中的value，在此处是单词次数，Integer，同上，用IntWritable
 */
public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {

	/**
	 * map阶段的业务逻辑就写在自定义的map()方法中
	 * maptask会对每一行输入数据调用一次我们自定义的map()方法
	 */
	@Override
	protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
		//将maptask传给我们的文本内容先转换成String
		String line = value.toString();
		
		//根据空格将这一行切分成单词
		String [] words = line.split(" ");
		
		//将单词输出为<单词，1>
		for(String word:words){
			//将单词作为key，将次数1作为value，以便于后续的数据分发，可以根据单词分发，以便于相同单词会到相同的reduce task
			context.write(new Text(word), new IntWritable(1));
		}
	}

}

Reducer阶段

• Reducetask进程对每一组相同k的<k,v>组调用一次reduce()方法

package com.hadoop.mapreduce.wordcount;

import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

/**
 * KEYIN, VALUEIN 对应  mapper输出的KEYOUT,VALUEOUT类型对应
 * KEYOUT, VALUEOUT 是自定义reduce逻辑处理结果的输出数据类型
 * KEYOUT是单词，VLAUEOUT是总次数
 */
public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable>{

	/**
	 * <angelababy,1><angelababy,1><angelababy,1><angelababy,1><angelababy,1>
	 * <hello,1><hello,1><hello,1><hello,1><hello,1><hello,1>
	 * <banana,1><banana,1><banana,1><banana,1><banana,1><banana,1>
	 * 入参key，是一组相同单词key-value对的key
	 */
	@Override
	protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
		//汇总各个key的个数
		int count=0;
		for(IntWritable value:values){
			count += value.get();
		}
		
		//输出该key的总次数
		context.write(key, new IntWritable(count));
	}

}

Driver阶段

• 整个程序需要一个Drvier来进行提交，提交的是一个描述了各种必要信息的job对象

package com.hadoop.mapreduce.wordcount;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
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 org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;

/**
 * 单词计数需求：在一堆给定的文本文件中统计输出每一个单词出现的总次数
 * 相当于一个yarn集群的客户端 需要在此封装我们的mr程序的相关运行参数，指定jar包 最后提交给yarn
 */
public class WordCountDriver extends Configured implements Tool{

	@Override
	public int run(String[] args) throws Exception {
		// 1.获取配置信息，和job对象实例信息
		Configuration conf = this.getConf();
		Job job = Job.getInstance(conf);
		
		// 2.设置加载jar的位置
		job.setJarByClass(WordCountDriver.class);

		// 3.指定本业务job要使用的mapper/Reducer业务类
		job.setMapperClass(WordCountMapper.class);
		job.setReducerClass(WordCountReducer.class);

		// 4.指定mapper输出数据的key-value类型
		job.setMapOutputKeyClass(Text.class);
		job.setMapOutputValueClass(IntWritable.class);

		// 5.指定最终输出的数据的key-value类型
		job.setOutputKeyClass(Text.class);
		job.setOutputValueClass(IntWritable.class);		

		// 6.指定job的输入原始文件所在目录
		FileInputFormat.setInputPaths(job, new Path(args[0]));
		// 指定job的输出结果所在目录
		FileOutputFormat.setOutputPath(job, new Path(args[1]));
		
		// 7.提交
		boolean result = job.waitForCompletion(true);
		return result ? 0 : 1;
	}
	
	public static void main(String[] args) throws Exception {
		if (args == null || args.length != 2) {
			System.err.println("Usage: hadoop jar <jarname> <classname> <input path> <output path>");
			System.exit(-1);
		}
		int ret = ToolRunner.run(new WordCountDriver(), args);
		System.exit(ret);
	}

}

运行程序

集群运行模式

• 将程序打成jar包，然后拷贝到hadoop集群中。导入的jar就不需要打包了，只打包java代码即可。
• 启动hadoop集群
• 执行wordcount程序

hadoop jar mrproject.jar com.hadoop.mapreduce.wordcount.WordCountDriver /user/hadoop/wcinput /user/hadoop/wcoutput
[hadoop@cmaster0 ~]$ hadoop fs -cat /user/hadoop/wcoutput/part-r-00000
hadoop	2
mapreduce	1
yarn	1
zhangsh	1
zhangyu	1

• 集群运行模式的job name没有local字样：
• Job job_1546135254442_0001 completed successfully

本地运行模式

• 每次修改、测试代码都要打jar包，上传到集群运行，这样非常不方便，也不能debug程序。
• 可以在开发电脑本地安装一个windows下编译过的hadoop软件
• 在windows中加入环境变量：HADOOP_HOME = C:\tools\hadoop-2.7.2
• 在path中加入环境变量：PATH = %HADOOP_HOME%\bin;
• 在eclipse中找到driver类，右键Run As -> RunConfigurationS -> JavaApplication下
• 找到Arguments，输入：D:\hadoop\wordcountinput D:\hadoop\wordcountoutput，点击Run
• 本地运行模式的job name有local字样：
• Job job_local16611709_0001 completed successfully

log4j日志问题

• 注意：如果eclipse打印不出日志，在控制台上只显示

1.log4j:WARN No appenders could be found for logger (org.apache.hadoop.util.Shell).  
2.log4j:WARN Please initialize the log4j system properly.  
3.log4j:WARN See http://logging.apache.org/log4j/1.2/faq.html#noconfig for more info.

• 需要在项目的src目录下，新建一个文件，命名为“log4j.properties”，在文件中填入

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