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