1)创建Maven项目
- 创建Maven项目 -
MRWordCount
- 单击【Finish】按钮
(2)创建待词频统计文件
- 在finalshell里面创建目录wordcount
(3)上传文件到HDFS指定目录
- 启动集群HDFS服务
- 在HDFS上创建
/wordcount
目录,并将words.txt
上传到该目录
4)添加相关依赖
- 在
pom.xml
文件里添加hadoop
和junit
依赖
<dependencies>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>3.3.4</version>
</dependency>
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>4.12</version>
<scope>compile</scope>
</dependency>
</dependencies>
(5)创建日志属性文件
- 在
resources
目录里创建log4j.properties
文件
log4j.rootLogger=INFO, stdout, logfile
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/wordcount.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n
6)创建词频统计映射器类
- 创建
net.hw.mr
包,在包里创建WordCountMapper
类
- 为了更好理解
Mapper
类的作用,在map()
函数里暂时不进行每行文本分词处理,直接利用context
输出key
和value
。
package net.zyf.mr;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
/**
* 功能:词频统计映射器类
* 作者:钟云帆
* 日期:2022年12月2日
*/
public class WordCountMapper extends Mapper<LongWritable, Text, LongWritable, Text> {
@Override
protected void map(LongWritable key, Text value, Context context)
throws IOException, InterruptedException {
context.write(key, value);
}
}
(7)创建词频统计驱动器类
- 在
net.hw.mr
包里创建WordCountDriver
类 - 注意导包问题
- 代码如下
package net.zyf.mr; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.fs.FSDataInputStream; import org.apache.hadoop.fs.FileStatus; import org.apache.hadoop.fs.FileSystem; import org.apache.hadoop.fs.Path; import org.apache.hadoop.io.IOUtils; import org.apache.hadoop.io.LongWritable; 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.net.URI; /** * 功能:词频统计驱动器类 * 作者:钟云帆 * 日期:2022年12月2日 */ public class WordCountDriver { public static void main(String[] args) throws Exception { // 创建配置对象 Configuration conf = new Configuration(); // 获取作业实例 Job job = Job.getInstance(conf); // 设置作业启动类 job.setJarByClass(WordCountDriver.class); // 设置Mapper类 job.setMapperClass(WordCountMapper.class); // 设置map任务输出键类型 job.setMapOutputKeyClass(LongWritable.class); // 设置map任务输出值类型 job.setMapOutputValueClass(Text.class); // 定义uri字符串 String uri = "hdfs://master:9000"; // 创建输入目录 Path inputPath = new Path(uri + "/wordcount"); // 创建输出目录 Path outputPath = new Path(uri + "/wordcount/result"); // 获取文件系统 FileSystem fs = FileSystem.get(new URI(uri), conf); // 删除输出目录 fs.delete(outputPath, true); // 给作业添加输入目录 FileInputFormat.addInputPath(job, inputPath); // 给作业设置输出目录 FileOutputFormat.setOutputPath(job, outputPath); // 等待作业完成 job.waitForCompletion(true); // 输出统计结果 System.out.println("======统计结果======"); FileStatus[] fileStatuses = fs.listStatus(outputPath); for (int i = 1; i < fileStatuses.length; i++) { // 输出结果文件路径 System.out.println(fileStatuses[i].getPath()); // 获取文件输入流 FSDataInputStream in = fs.open(fileStatuses[i].getPath()); // 将结果文件显示在控制台 IOUtils.copyBytes(in, System.out, 4096, false); } } }
- 不要导成
org.apache.hadoop.mapred
包下的FileInputFormat
与FileOutputFormat
咯~import org.apache.hadoop.mapred.FileInputFormat; import org.apache.hadoop.mapred.FileOutputFormat;
(8)启动集群YARN服务
- 在主节点上执行命令:
start-yarn.sh
(9)启动词频统计驱动器类,看看结果
- 运行
WordCountDriver
类,报错找不到winutils.exe
文件
- 解决办法:下载对应版本的winutils.exe和hadoop.dll,放在hadoop安装目录的bin子目录里
https://github.com/cdarlint/winutils/blob/master/hadoop-3.2.2/bin/winutils.exe
https://github.com/cdarlint/winutils/blob/master/hadoop-3.2.2/bin/hadoop.dll
配置环境变量
此时,运行程序,就没有问题了
如果不想看到统计结果之前的大堆信息,可以修改log4j.properties
文件,将INFO
改为ERROR
再运行程序,查看结果
-
行首数字,表示每行起始位置在整个文件的偏移量(offset)。
第一行:Hello World Bye World\r\n 18个字母,3个空格,2个转义字符,总共23个字符,因此,第二行起始位置在整个文件的偏移量就是23。
第二行:Hello Hadoop Bye Hadoop\r\n 20个字母,3个空格,2个转义字符,总共25个字符,因此,第三行起始位置在整个文件的偏移量就是23 + 25 = 48。
其实,行首数字对于我们做单词统计没有任何用处,只需要拿到每一行内容,按空格拆分成单词,每个单词计数1,因此,WordCoutMapper的输出应该是单词和个数,于是,输出键类型为Text,输出值类型为IntWritable。
- 利用HDFS集群WebUI界面查看结果文件
(10)修改词频统计映射器类
- 将每行按空格拆分成单词数组,输出
单词 1
的键值对 - 代码如下
package net.zyf.mr; import org.apache.hadoop.io.IntWritable; import org.apache.hadoop.io.LongWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Mapper; import java.io.IOException; /** * 功能:词频统计映射器类 * 作者:钟云帆 * 日期:2022年12月2日 */ //public class WordCountMapper extends Mapper<LongWritable, Text, LongWritable, Text> { // @Override // protected void map(LongWritable key, Text value, Context context) // throws IOException, InterruptedException { // context.write(key, value); // } //} public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> { @Override protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException { // 获取行内容 String line = value.toString(); // 按空格拆分得到单词数组 String[] words = line.split(" "); // 遍历单词数组,生成输出键值对 for (int i = 0; i < words.length; i++) { context.write(new Text(words[i]), new IntWritable(1)); } } }
- 由于
WordCountMapper
的输出键值类型
发生变化,所以必须告诉WordCountDriver
。
(11)修改词频统计驱动器类
- 修改map任务输出键值类型
(12)启动词频统计驱动器类,查看结果
- 观察输出结果,map阶段会按键排序输出
(13)创建词频统计归并器类
- 一个类继承Reducer,变成一个Reducer组件类
- Reducer组件会接收Mapper组件的输出结果
- 第一个泛型对应的是Mapper输出key类型,第二个泛型对应的是Mapper输出value类型
- 第三个泛型和第四个泛型是Reducer的输出key类型和输出value类型
- Reducer组件不能单独存在,但是Mapper组件可以单独存在
- 当引入Reducer组件后,输出结果文件内容就是Reducer的输出key和输出value
- 在net.hw.mr包里创建WordCountReducer类
package net.zyf.mr;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
/**
* 功能:词频统计归并器类
* 作者:钟云帆
* 日期:2022年12月02日
*/
public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
@Override
protected void reduce(Text key, Iterable<IntWritable> values, Context context)
throws IOException, InterruptedException {
// 定义输出键出现次数
int count = 0;
// 遍历输出值迭代对象,统计其出现次数
for (IntWritable value : values) {
count = count + value.get();
}
// 生成键值对输出
context.write(key, new IntWritable(count));
}
}
- 由于引入了词频统计归并器,必须在词频统计驱动器类里进行设置
(14)、修改词频统计驱动器类
- 设置
WordCountReducer
,并且设置归并任务的输出键值类型
// 设置Reducer类
job.setReducerClass(WordCountReducer.class);
// 设置reduce任务输出键类型
job.setOutputKeyClass(Text.class);
// 设置reduce任务输出值类型
job.setOutputValueClass(IntWritable.class);
(15)、启动词频统计驱动器类,查看结果
- 统计出每个单词出现的次数
知识点学习
(1)MR框架有两个核心组件,分别是Mapper组件和Reducer组件
(2)写一个类,继承Mapper,则变成了一个Mapper组件类
(3)LongWritable,Text(String),IntWritable,NullWritable都是Hadoop序列化类型
(4)Mapper组件将每行的行首偏移量,作为输入key,通过map()传给程序员
(5)Mapper组件会将每行内容,作为输入value,通过map()传给程序员,重点是获取输入value
(6)Mapper的第一个泛型类型对应的是输入key的类型,第二个泛型类型对应的输入value(在初学阶段,第一个和第二个类型写死)
(7)MR框架所处理的文件必须是在HDFS上的
(8)map()被调用几次,取决于文件的行数
(9)通过context进行结果的输出,以输出key和输出value的形式来输出
(10)输出key是由第三个泛型类型决定,输出value是由第四个泛型类型决定
(11)输出结果文件的数据以及行数取决于context.write
(12)Text=>String: value.toString()
(13)String=>Text: new Text(string var)
(14)LongWritable=>long: key.get()
(15)long=>LongWritable: new LongWritable(long var)
(16)、采用多个Reduce做合并
相同key的键值对必须发送同一分区(一个Reduce任务对应一个分区,然后会生成对应的一个结果文件,有多少个Reduce任务,就会有多少个分区,最终就会产生多少个结果文件),否则同一个key最终会出现在不同的结果文件中,那显然不是我们希望看到的结果。
(1)MR默认采用哈希分区HashPartitioner
- Mapper输出key.hashcode & Integer.MAX_ VALUE % Reduce任务数量
(2)修改词频统计驱动器类,设置分区数量
- 设置分区数量:
3
- 此时,运行程序,查看结果
- 可以看到,产生了三个结果文件
(17)、将三个类合并成一个类完成词频统计
- 在
net.hw.mr
包里创建WordCount
类
package net.zyf.mr;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
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.Tool;
import org.apache.hadoop.util.ToolRunner;
import java.io.IOException;
import java.net.URI;
/**
* 功能:词频统计
* 作者:钟云帆
* 日期:2022年12月02日
*/
public class WordCount extends Configured implements Tool {
public static class Map extends Mapper<LongWritable, Text, Text, IntWritable> {
@Override
protected void map(LongWritable key, Text value, Context context)
throws IOException, InterruptedException {
// 获取行内容
String line = value.toString();
// 按空格拆分得到单词数组
String[] words = line.split(" ");
// 遍历单词数组,生成输出键值对
for (int i = 0; i < words.length; i++) {
// 清洗所有英文标点符号(\p——属性[property],P——标点符号[Punctuation])
String word = words[i].replaceAll("[\\pP]", "");
context.write(new Text(word), new IntWritable(1));
}
}
}
public static class Reduce extends Reducer<Text, IntWritable, Text, IntWritable> {
@Override
protected void reduce(Text key, Iterable<IntWritable> values, Context context)
throws IOException, InterruptedException {
// 定义输出键出现次数
int count = 0;
// 历输出值迭代对象,统计其出现次数
for (IntWritable value : values) {
count = count + value.get();
}
// 生成键值对输出
context.write(key, new IntWritable(count));
}
}
@Override
public int run(String[] strings) throws Exception {
// 创建配置对象
Configuration conf = new Configuration();
// 获取作业实例
Job job = Job.getInstance(conf);
// 设置作业启动类
job.setJarByClass(WordCount.class);
// 设置Mapper类
job.setMapperClass(Map.class);
// 设置map任务输出键类型
job.setMapOutputKeyClass(Text.class);
// 设置map任务输出值类型
job.setMapOutputValueClass(IntWritable.class);
// 设置Reducer类
job.setReducerClass(Reduce.class);
// 设置reduce任务输出键类型
job.setOutputKeyClass(Text.class);
// 设置reduce任务输出值类型
job.setOutputValueClass(IntWritable.class);
// 定义uri字符串
String uri = "hdfs://master:9000";
// 创建输入目录
Path inputPath = new Path(uri + "/wordcount");
// 创建输出目录
Path outputPath = new Path(uri + "/wordcount/result");
// 设置分区数量(reduce任务数量)
job.setNumReduceTasks(3);
// 获取文件系统
FileSystem fs = FileSystem.get(new URI(uri), conf);
// 删除输出目录
fs.delete(outputPath, true);
// 给作业添加输入目录
FileInputFormat.addInputPath(job, inputPath);
// 给作业设置输出目录
FileOutputFormat.setOutputPath(job, outputPath);
// 等待作业完成
boolean res = job.waitForCompletion(true);
// 输出统计结果
System.out.println("统计结果:");
FileStatus[] fileStatuses = fs.listStatus(outputPath);
for (int i = 1; i < fileStatuses.length; i++) {
// 输出结果文件路径
System.out.println(fileStatuses[i].getPath());
// 获取文件输入流
FSDataInputStream in = fs.open(fileStatuses[i].getPath());
// 将结果文件显示在控制台
IOUtils.copyBytes(in, System.out, 4096, false);
}
if (res) {
return 0;
} else {
return -1;
}
}
public static void main(String[] args) throws Exception {
int res = ToolRunner.run(new WordCount(), args);
System.exit(res);
}
}
- 运行程序,查看结果
(18)、合并分区导致的多个结果文件
- 采用分区来处理,确实提高了效率,但是现在有多个结果文件,怎么合并它们成为一个最终的一个结果文件呢?
- 利用hadoop的-getmerge命令来完成:
hdfs dfs -getmerge /wordcount/result part-r-final
(19)、统计不同单词数
利用MR对多个文件进行词频统计,得到的一个或多个结果文件,多个结果文件可以合并成一个最终结果文件,比如part-r-final,然后利用Linux命令统计行数即可。
- 利用cat -nu命令
- 利用wc -l命令,统计文件行数,即不同单词数
19、打包上传到虚拟机上运行
- MR程序可以在IDEA里运行,也可以打成jar包,上传到虚拟机,利用
hadoop jar
命令来运行
- 打开Maven管理窗口,找到项目的
LifeCycle
下的package
命令
- 双击
package
命令,报错,maven插件版本不对
- 修改
pom.xml
文件,添加maven插件,记得要刷新maven
- 再次打包,即可生成
MRWordCount-1.0-SNAPSHOT.jar
(2)将jar包上传到虚拟机
- 将
MRWordCount-1.0-SNAPSHOT.jar
上传到master虚拟机/home
目录
- 查看上传的jar包
(3)运行jar包,查看结果
20、创建新词频统计驱动器类
- 由用户指定输入路径和输出路径,如果用户不指定,那么由程序来设置
- 在
net.hw.mr
包里创建WordCountDriverNew
类
package net.zyf.mr;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
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.net.URI;
/**
* 功能:新词频统计驱动器类
* 作者:钟云帆
* 日期:2022年12月16日
*/
public class WordCountDriverNew {
public static void main(String[] args) throws Exception {
// 创建配置对象
Configuration conf = new Configuration();
// 设置数据节点主机名属性
conf.set("dfs.client.use.datanode.hostname", "true");
// 获取作业实例
Job job = Job.getInstance(conf);
// 设置作业启动类
job.setJarByClass(WordCountDriverNew.class);
// 设置Mapper类
job.setMapperClass(WordCountMapper.class);
// 设置map任务输出键类型
job.setMapOutputKeyClass(Text.class);
// 设置map任务输出值类型
job.setMapOutputValueClass(IntWritable.class);
// 设置Reducer类
job.setReducerClass(WordCountReducer.class);
// 设置reduce任务输出键类型
job.setOutputKeyClass(Text.class);
// 设置reduce任务输出值类型
job.setOutputValueClass(IntWritable.class);
// 设置分区数量(reduce任务的数量,结果文件的数量)
job.setNumReduceTasks(3);
// 定义uri字符串
String uri = "hdfs://master:9000";
// 声明输入目录
Path inputPath = null;
// 声明输出目录
Path outputPath = null;
// 判断输入参数个数
if (args.length == 0) {
// 创建输入目录
inputPath = new Path(uri + "/wordcount/input");
// 创建输出目录
outputPath = new Path(uri + "/wordcount/output");
} else if (args.length == 2) {
// 创建输入目录
inputPath = new Path(uri + args[0]);
// 创建输出目录
outputPath = new Path(uri + args[1]);
} else {
// 提示用户参数个数不符合要求
System.out.println("参数个数不符合要求,要么是0个,要么是2个!");
// 结束应用程序
return;
}
// 获取文件系统
FileSystem fs = FileSystem.get(new URI(uri), conf);
// 删除输出目录(第二个参数设置是否递归)
fs.delete(outputPath, true);
// 给作业添加输入目录(允许多个)
FileInputFormat.addInputPath(job, inputPath);
// 给作业设置输出目录(只能一个)
FileOutputFormat.setOutputPath(job, outputPath);
// 等待作业完成
job.waitForCompletion(true);
// 输出统计结果
System.out.println("======统计结果======");
FileStatus[] fileStatuses = fs.listStatus(outputPath);
for (int i = 1; i < fileStatuses.length; i++) {
// 输出结果文件路径
System.out.println(fileStatuses[i].getPath());
// 获取文件系统数据字节输入流
FSDataInputStream in = fs.open(fileStatuses[i].getPath());
// 将结果文件显示在控制台
IOUtils.copyBytes(in, System.out, 4096, false);
}
}
}
21、重新打包上传虚拟机并执行
- 重新打包
- 删除先前的jar包
- 上传新的单词文件
- 上传新的jar包
- 执行命令:
hadoop jar MRWordCount-1.0-SNAPSHOT.jar net.zyf.mr.WordCountDriverNew
,不指定输入路径和输出路径参数
- 执行命令:
hadoop jar MRWordCount-1.0-SNAPSHOT.jar net.zyf.mr.WordCountDriverNew /winter/input /winter/output
,指定输入路径和输出路径参数
- 执行命令:
hadoop jar MRWordCount-1.0-SNAPSHOT.jar net.zyf.mr.WordCountDriverNew /winter/input
,指定输入路径参数,不指定输出路径参数
22、将三个类合并成一个类完成词频统计
- 在
net.hw.mr
包里创建WordCount
类
package net.zyf.mr;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
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.Tool;
import org.apache.hadoop.util.ToolRunner;
import java.io.IOException;
import java.net.URI;
/**
* 功能:词频统计
* 作者:钟云帆
* 日期:2022年12月14日
*/
public class WordCount extends Configured implements Tool {
public static class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
@Override
protected void map(LongWritable key, Text value, Context context)
throws IOException, InterruptedException {
// 获取行内容
String line = value.toString();
// 清洗所有英文标点符号(\p——属性[property],P——标点符号[Punctuation])
line = line.replaceAll("[\\pP]", "");
// 按空格拆分得到单词数组
String[] words = line.split(" ");
// 遍历单词数组,生成输出键值对
for (int i = 0; i < words.length; i++) {
context.write(new Text(words[i]), new IntWritable(1));
}
}
}
public static class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
@Override
protected void reduce(Text key, Iterable<IntWritable> values, Context context)
throws IOException, InterruptedException {
// 定义输出键出现次数
int count = 0;
// 历输出值迭代对象,统计其出现次数
for (IntWritable value : values) {
count = count + value.get();
}
// 生成键值对输出
context.write(key, new IntWritable(count));
}
}
@Override
public int run(String[] strings) throws Exception {
// 创建配置对象
Configuration conf = new Configuration();
// 设置数据节点主机名属性
conf.set("dfs.client.use.datanode.hostname", "true");
// 获取作业实例
Job job = Job.getInstance(conf);
// 设置作业启动类
job.setJarByClass(WordCountDriver.class);
// 设置Mapper类
job.setMapperClass(WordCountMapper.class);
// 设置map任务输出键类型
job.setMapOutputKeyClass(Text.class);
// 设置map任务输出值类型
job.setMapOutputValueClass(IntWritable.class);
// 设置Reducer类
job.setReducerClass(WordCountReducer.class);
// 设置reduce任务输出键类型
job.setOutputKeyClass(Text.class);
// 设置reduce任务输出值类型
job.setOutputValueClass(IntWritable.class);
// 设置分区数量(reduce任务的数量,结果文件的数量)
job.setNumReduceTasks(3);
// 定义uri字符串
String uri = "hdfs://master:9000";
// 创建输入目录
Path inputPath = new Path(uri + "/wordcount2/input");
// 创建输出目录
Path outputPath = new Path(uri + "/wordcount2/output");
// 获取文件系统
FileSystem fs = FileSystem.get(new URI(uri), conf);
// 删除输出目录(第二个参数设置是否递归)
fs.delete(outputPath, true);
// 给作业添加输入目录(允许多个)
FileInputFormat.addInputPath(job, inputPath);
// 给作业设置输出目录(只能一个)
FileOutputFormat.setOutputPath(job, outputPath);
// 等待作业完成
boolean res = job.waitForCompletion(true);
// 输出统计结果
System.out.println("======统计结果======");
FileStatus[] fileStatuses = fs.listStatus(outputPath);
for (int i = 1; i < fileStatuses.length; i++) {
// 输出结果文件路径
System.out.println(fileStatuses[i].getPath());
// 获取文件系统数据字节输入流
FSDataInputStream in = fs.open(fileStatuses[i].getPath());
// 将结果文件显示在控制台
IOUtils.copyBytes(in, System.out, 4096, false);
}
if (res) {
return 0;
} else {
return -1;
}
}
public static void main(String[] args) throws Exception {
int res = ToolRunner.run(new WordCount(), args);
System.exit(res);
}
}
- 上传一个有标点符号的单词文件
- 运行程序,查看结果
23、合并分区导致的多个结果文件
- 采用分区来处理,确实提高了效率,但是现在有多个结果文件,怎么合并它们成为一个最终的一个结果文件呢?
- 利用hadoop的-getmerge命令来完成:
hdfs dfs -getmerge /wordcount/result part-r-final
24、统计不同单词数
利用MR对多个文件进行词频统计,得到的一个或多个结果文件,多个结果文件可以合并成一个最终结果文件,比如part-r-final,然后利用Linux命令统计行数即可。
利用cat -nu
命令,带行号显示文件内容
- 利用
wc -l
命令,统计文件行数,即不同单词数