hadoop之wordCount详解大数据

图解MapReduce                                                                                                                                              

 

 

 

 

简历过程：                                                                                                                                                              

 

Input:

Hello World Bye World

Hello Hadoop Bye hadoop

Bye Hadoop Hello Hadoop

Map:

Hello,1

World,1

Bye,1

World,1

Hello,1

Hadoop,1

Bye,1

Hadoop,1

Bye,1

Hadoop,1

Hello,1

Hadoop,1

Sort:

Bye,1

Bye,1

Bye,1

Hadoop,1

Hadoop,1

Hadoop,1

Hadoop,1

Hello,1

Hello,1

Hello,1

World,1

World,1

Combine:

Bye,1,1,1

Hadoop,1,1,1,1

Hello,1,1,1

World,1,1

Reduce:

Bye,3

Hadoop,4

Hello,3

World,2

 

WordCount远吗

package org.apache.hadoop.examples; 

import java.io.IOException; 

import java.util.StringTokenizer; 

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.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.GenericOptionsParser; 

 * 描述：WordCount explains by York 

 * @author Hadoop Dev Group 

public class WordCount { 

 /** 

 * 建立Mapper类TokenizerMapper继承自泛型类Mapper 

 * Mapper类:实现了Map功能基类 

 * Mapper接口： 

 * WritableComparable接口：实现WritableComparable的类可以相互比较。所有被用作key的类应该实现此接口。 

 * Reporter 则可用于报告整个应用的运行进度，本例中未使用。 

 publicstaticclass TokenizerMapper 

 extends Mapper Object, Text, Text, IntWritable { 

 /** 

 * IntWritable, Text 均是 Hadoop 中实现的用于封装 Java 数据类型的类，这些类实现了WritableComparable接口， 

 * 都能够被串行化从而便于在分布式环境中进行数据交换，你可以将它们分别视为int,String 的替代品。 

 * 声明one常量和word用于存放单词的变量 

 privatefinalstatic IntWritable one =new IntWritable(1); 

 private Text word =new Text(); 

 /** 

 * Mapper中的map方法： 

 * void map(K1 key, V1 value, Context context) 

 * 映射一个单个的输入k/v对到一个中间的k/v对 

 * 输出对不需要和输入对是相同的类型，输入对可以映射到0个或多个输出对。 

 * Context：收集Mapper输出的 k,v 对。 

 * Context的write(k, v)方法:增加一个(k,v)对到context 

 * 程序员主要编写Map和Reduce函数.这个Map函数使用StringTokenizer函数对字符串进行分隔,通过write方法把单词存入word中 

 * write方法存入(单词,1)这样的二元组到context中 

 publicvoid map(Object key, Text value, Context context 

 ) throws IOException, InterruptedException { 

 StringTokenizer itr =new StringTokenizer(value.toString()); 

 while (itr.hasMoreTokens()) { 

 word.set(itr.nextToken()); 

 context.write(word, one); 

 publicstaticclass IntSumReducer 

 extends Reducer Text,IntWritable,Text,IntWritable { 

 private IntWritable result =new IntWritable(); 

 /** 

 * Reducer类中的reduce方法： 

 * void reduce(Text key, Iterable IntWritable values, Context context) 

 * 中k/v来自于map函数中的context,可能经过了进一步处理(combiner),同样通过context输出 

 publicvoid reduce(Text key, Iterable IntWritable values, 

 Context context 

 ) throws IOException, InterruptedException { 

 int sum =0; 

 for (IntWritable val : values) { 

 sum += val.get(); 

 result.set(sum); 

 context.write(key, result); 

 publicstaticvoid main(String[] args) throws Exception { 

 /** 

 * Configuration：map/reduce的j配置类，向hadoop框架描述map-reduce执行的工作 

 Configuration conf =new Configuration(); 

 String[] otherArgs =new GenericOptionsParser(conf, args).getRemainingArgs(); 

 if (otherArgs.length !=2) { 

 System.err.println("Usage: wordcount in out "); 

 System.exit(2); 

 Job job =new Job(conf, "word count"); //设置一个用户定义的job名称 

 job.setJarByClass(WordCount.class); 

 job.setMapperClass(TokenizerMapper.class); //为job设置Mapper类 

 job.setCombinerClass(IntSumReducer.class); //为job设置Combiner类 

 job.setReducerClass(IntSumReducer.class); //为job设置Reducer类 

 job.setOutputKeyClass(Text.class); //为job的输出数据设置Key类 

 job.setOutputValueClass(IntWritable.class); //为job输出设置value类 

 FileInputFormat.addInputPath(job, new Path(otherArgs[0])); //为job设置输入路径 

 FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));//为job设置输出路径 

 System.exit(job.waitForCompletion(true) ?0 : 1); //运行job 

}

WordCount逐行解析                                                                        

 

对于map函数的方法。

 

public void map(Object key, Text value, Context context) throws IOException, InterruptedException {…}

这里有三个参数，前面两个Object key, Text value就是输入的key和value，第三个参数Context context这是可以记录输入的key和value，例如：context.write(word, one);此外context还会记录map运算的状态。

对于reduce函数的方法。

public void reduce(Text key, Iterable IntWritable values, Context context) throws IOException, InterruptedException {…}

reduce函数的输入也是一个key/value的形式，不过它的value是一个迭代器的形式Iterable IntWritable values，也就是说reduce的输入是一个key对应一组的值的value，reduce也有context和map的context作用一致。

至于计算的逻辑则需要程序员编码实现。

对于main函数的调用。

首先是：

Configuration conf = new Configuration();

运行MapReduce程序前都要初始化Configuration，该类主要是读取MapReduce系统配置信息，这些信息包括hdfs还有MapReduce，也就是安装hadoop时候的配置文件例如：core-site.xml、hdfs-site.xml和mapred-site.xml等等文件里的信息，有些童鞋不理解为啥要这么做，这个是没有深入思考MapReduce计算框架造成，我们程序员开发MapReduce时候只是在填空，在map函数和reduce函数里编写实际进行的业务逻辑，其它的工作都是交给MapReduce框架自己操作的，但是至少我们要告诉它怎么操作啊，比如hdfs在哪里，MapReduce的jobstracker在哪里，而这些信息就在conf包下的配置文件里。

接下来的代码是：

 String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs(); 

 if (otherArgs.length != 2) { 

 System.err.println("Usage: wordcount in out 

 System.exit(2); 

 }

If的语句好理解，就是运行WordCount程序时候一定是两个参数，如果不是就会报错退出。至于第一句里的GenericOptionsParser类，它是用来解释常用hadoop命令，并根据需要为Configuration对象设置相应的值，其实平时开发里我们不太常用它，而是让类实现Tool接口，然后再main函数里使用ToolRunner运行程序，而ToolRunner内部会调用GenericOptionsParser。

接下来的代码是：

 Job job = new Job(conf, "word count"); 

 job.setJarByClass(WordCount.class); 

 job.setMapperClass(TokenizerMapper.class); 

 job.setCombinerClass(IntSumReducer.class); 

 job.setReducerClass(IntSumReducer.class);

第一行就是在构建一个job，在mapreduce框架里一个mapreduce任务也叫mapreduce作业也叫做一个mapreduce的job，而具体的map和reduce运算就是task了，这里我们构建一个job，构建时候有两个参数，一个是conf这个就不累述了，一个是这个job的名称。

第二行就是装载程序员编写好的计算程序，例如我们的程序类名就是WordCount了。这里我要做下纠正，虽然我们编写mapreduce程序只需要实现map函数和reduce函数，但是实际开发我们要实现三个类，第三个类是为了配置mapreduce如何运行map和reduce函数，准确的说就是构建一个mapreduce能执行的job了，例如WordCount类。

第三行和第五行就是装载map函数和reduce函数实现类了，这里多了个第四行，这个是装载Combiner类，这个类和mapreduce运行机制有关，其实本例去掉第四行也没有关系，但是使用了第四行理论上运行效率会更好。

接下来的代码：

 job.setOutputKeyClass(Text.class); 

 job.setOutputValueClass(IntWritable.class);

这个是定义输出的key/value的类型，也就是最终存储在hdfs上结果文件的key/value的类型。

最后的代码是：

 FileInputFormat.addInputPath(job, new Path(otherArgs[0])); 

 FileOutputFormat.setOutputPath(job, new Path(otherArgs[1])); 

 System.exit(job.waitForCompletion(true) ? 0 : 1);

第一行就是构建输入的数据文件，第二行是构建输出的数据文件，最后一行如果job运行成功了，我们的程序就会正常退出。

 

原创文章，作者：ItWorker，如若转载，请注明出处：https://blog.ytso.com/7754.html

分布式文件系统，分布式数据库区块链并行处理（MPP）数据库，数据挖掘开源大数据平台数据中台数据分析数据开发数据治理数据湖数据采集