初探MapReduce

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

（1）利用Maven打包

• 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