Hadoop- Wordcount程序原理及代码实现

时间：2024-09-17 14:05:32

如果对Hadoop- MapReduce分布式计算框架原理还不熟悉的可以先了解一下它，因为本文的wordcount程序实现就是MapReduce分而治之最经典的一个范例。

单词计数（wordcount）主要步骤：

1.读数据
2.按行处理
3.按空格切分行内单词
4.HashMap（单词，value+1）
等分给自己的数据片全部读取完之后
5.将HashMap按照首字母范围分为3个HashMap
6.将3个hashMap分别传给3个ReduceTask
主要流程如下图：

Hadoop- Wordcount程序原理及代码实现

代码实现：

理解了原理，那么就从一个Job开始，从分Map任务和Reduce任务开始。用户编写的程序分为三个部分：Mapper，Reducer，Driver。

Mapper的输入数据和输出数据是KV对的形式（KV的类型可自定义），Mapper的业务逻辑是写在map（）方法中，map（）方法（maptask进程）对每一个<k,v>调用一次

Reducer的输入数据类型对应Mapper的输出数据类型，也是KV。Reducer的业务逻辑写在reduce（）方法中，Reduce（）方法对每一组相同的<k,v>组调用一次。

用户的Mapper和Reduce都要继承各自的父类。

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

1.设定Map任务：

package cn.Rz_Lee.hadoop.com.mr.wordcount;

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;

/**

 * Created by Rz_Lee on 2017/8/14.

 * KEYIN:默认情况下是mr框架所读到的一行文本的偏移量，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

 *

 * VALUE:默认情况下是mr框架所读到的一行文本内容，String,同上用Text

 *

 *KEYOUT:是用户自定义逻辑处理写成之后输出数据中的key，在此是单词，String,同上，用Text

 *VALUEOUT:是用户自定义逻辑处理写成之后输出数据中的value，在此处是单词总次数，Integer，同上，用IntWritale

 *

 */

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

     * @param key

     * @param value

     * @param context 输出内容

     * @throws IOException

     * @throws InterruptedException

     */

    @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，可以根据单词分发经便于相同单词会到相同的reduce task

            context.write(new Text(word),new IntWritable(1));

        }

    }

}

2.设定Reduce任务：

package cn.Rz_Lee.hadoop.mr.wordcount;

import org.apache.hadoop.io.IntWritable;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;

/**KEYIN,VALUEIN 对应mapper输出的KEYOUT,VALUEOUT类型对应

 *

 * KYEOUT,VALUEOUT 是自定义reduce逻辑处理结果的输出数据类型

 * KYEOUT是单词

 * VALUE是总次数

 * Created by Rz_Lee on 2017/8/14.

 */

public class WordCountReducer extends Reducer<Text,IntWritable,Text,IntWritable>{

    /**

     *

     * @param key 是一组相同单词KV对的key，如<hi,1>,<hi,1>

     * @param values

     * @param context

     * @throws IOException

     * @throws InterruptedException

     */

    @Override

    protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {

        int count=0;

        for (IntWritable value:values)

        {

            count+=value.get();

        }

        context.write(key,new IntWritable(count));

    }

}

3.wordcount程序的操作类，提交运行mr程序的yarn客户端：

package cn.Rz_Lee.hadoop.com..mr.wordcount;

import org.apache.hadoop.conf.Configuration;

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;

/**相当于一个yarn集群的客户端

 * 需要在此封装我们的mr程序相关运行参数，指定jar包

 * 最后提交给yarn

 * Created by Rz_Lee on 2017/8/14.

 */

public class WordCountDriver {

    public static void main(String[] args) throws Exception {

        Configuration conf = new Configuration();

        Job job = Job.getInstance(conf);

        /*conf.set("mapreduce.framework.name","yarn");

        conf.set("yarn.resourcemanager.hostname","srv01");*/

        /*job.setJar("/usr/hadoop/wc.jar");*/

        //指定本程序的jar包所在的本地路径

        job.setJarByClass(WordCountDriver.class);

        //指定本业务job使用的mapper/reducer业务类

        job.setMapperClass(WordCountMapper.class);

        job.setReducerClass(WordCountReducer.class);

        //指定mapper输出数据的KV类型

        job.setMapOutputKeyClass(Text.class);

        job.setMapOutputValueClass(IntWritable.class);

        //指定最终输出的数据的KV类型

        job.setOutputKeyClass(Text.class);

        job.setOutputValueClass(IntWritable.class);

        //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]));

        //将job中配置的相关参数，以及job所用的java类所在的jar包，提交给yarn去运行

        /*job.submit();*/

        boolean res = job.waitForCompletion(true);

        System.exit(res?0:1);

    }

}

4.把wordcount项目导成jar包，上传到HDFS，运行 hadoop jar wordcount.jar 包.类名 /源文件路径 /输出数据文件夹

在yarn上面运行： yarn jar wordcount.jar 包.类名 /源文件路径 /输出数据文件夹

打开浏览器输入：yarn节点的IP:8088 ，在网页上可以看见整个Job的运行情况。

相关文章