MapReduce的WordCount案例

项目简介

这里给出一个经典的词频统计的案例：统计如下样本数据中每个单词出现的次数。





SparkHBase
HiveFlinkStormHadoopHBaseSpark
Flink
HBaseStorm
HBaseHadoopHiveFlink
HBaseFlinkHiveStorm
HiveFlinkHadoop
HBaseHive
HadoopSparkHBaseStorm
HBaseHadoopHiveFlink
HBaseFlinkHiveStorm
HiveFlinkHadoop
HBaseHive






 


 


 












 


 


 




 








 


 




1




SparkHBase








2




HiveFlinkStormHadoopHBaseSpark








3




Flink








4




HBaseStorm








5




HBaseHadoopHiveFlink








6




HBaseFlinkHiveStorm








7




HiveFlinkHadoop








8




HBaseHive








9




HadoopSparkHBaseStorm








10




HBaseHadoopHiveFlink








11




HBaseFlinkHiveStorm








12




HiveFlinkHadoop








13




HBaseHive














 


 












项目依赖


想要进行 MapReduce 编程，需要导入 hadoop-client 依赖：






<dependency>
   <groupId>org.apache.hadoop</groupId>
   <artifactId>hadoop-client</artifactId>
   <version>${hadoop.version}</version>
</dependency>






 


 


 












 


 


 







 


 




1




<dependency>








2




   <groupId>org.apache.hadoop</groupId>








3




   <artifactId>hadoop-client</artifactId>








4




   <version>${hadoop.version}</version>








5




</dependency>














 


 












 WordCountMapper


将每行数据按照指定分隔符进行拆分。这里需要注意在 MapReduce 中必须使用 Hadoop 定义的类型，因为 Hadoop 预定义的类型都是可序列化，可比较的，所有类型均实现了 WritableComparable接口。






public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {

   @Override
   protected void map(LongWritable key, Text value, Context context) throws IOException, 
                                                                     InterruptedException {
       String[] words = value.toString().split("\t");
       for (String word : words) {
           context.write(new Text(word), new IntWritable(1));
      }
  }
}






 


 


 












 


 


 







 


 




1




public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {








2












3




   @Override








4




   protected void map(LongWritable key, Text value, Context context) throws IOException, 








5




                                                                     InterruptedException {








6




       String[] words = value.toString().split("\t");








7




       for (String word : words) {








8




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








9




      }








10




  }








11




}














 


 












WordCountMapper 对应下图的 Mapping 操作：




WordCountMapper继承自 Mappe类，这是一个泛型类，定义如下：






WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable>

public class Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT> {
  
}






 


 


 












 


 


 




 








 


 




1




WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable>








2












3




public class Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT> {








4




  








5




}














 


 












    

  • KEYIN : mapping输入 key 的类型，即每行的偏移量 (每行第一个字符在整个文本中的位置)，Long类型，对应 Hadoop 中的 LongWritable类型；
    • 

  • VALUEIN : mapping输入 value 的类型，即每行数据；String类型，对应 Hadoop 中 Text类型；
    • 

  • KEYOUT ：mapping输出的 key 的类型，即每个单词；String类型，对应 Hadoop 中 Text类型；
    • 

  • VALUEOUT：mapping输出 value 的类型，即每个单词出现的次数；这里用 int 类型，对应 IntWritable类型。
    • 



 


WordCountReducer


在 Reduce 中进行单词出现次数的统计：






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

   @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));
  }
}






 


 


 












 


 


 




 








 


 




1




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








2












3




   @Override








4




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








5




                                                                                 InterruptedException {








6




       int count = 0;








7




       for (IntWritable value : values) {








8




           count += value.get();








9




      }








10




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








11




  }








12




}














 


 












如下图，shuffling 的输出是 reduce 的输入。这里的 key 是每个单词，values 是一个可迭代的数据类型，类似 (1,1,1,...)。




WordCountApp


组装 MapReduce 作业，并提交到服务器运行，代码如下：






/**
* 组装作业 并提交到集群运行
*/
public class WordCountApp {
   // 这里为了直观显示参数 使用了硬编码，实际开发中可以通过外部传参
   private static final String HDFS_URL = "hdfs://192.168.100.1";
   private static final String HADOOP_USER_NAME = "root";

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

       // 文件输入路径和输出路径由外部传参指定
       if (args.length < 2) {
           System.out.println("Input and output paths are necessary!");
           return;
      }

       // 需要指明 hadoop 用户名，否则在 HDFS 上创建目录时可能会抛出权限不足的异常
       System.setProperty("HADOOP_USER_NAME", HADOOP_USER_NAME);

       Configuration configuration = new Configuration();
       // 指明 HDFS 的地址
       configuration.set("fs.defaultFS", HDFS_URL);

       // 创建一个 Job
       Job job = Job.getInstance(configuration);

       // 设置运行的主类
       job.setJarByClass(WordCountApp.class);

       // 设置 Mapper 和 Reducer
       job.setMapperClass(WordCountMapper.class);
       job.setReducerClass(WordCountReducer.class);

       // 设置 Mapper 输出 key 和 value 的类型
       job.setMapOutputKeyClass(Text.class);
       job.setMapOutputValueClass(IntWritable.class);

       // 设置 Reducer 输出 key 和 value 的类型
       job.setOutputKeyClass(Text.class);
       job.setOutputValueClass(IntWritable.class);

       // 如果输出目录已经存在，则必须先删除，否则重复运行程序时会抛出异常
       FileSystem fileSystem = FileSystem.get(new URI(HDFS_URL), configuration, HADOOP_USER_NAME);
       Path outputPath = new Path(args[1]);
       if (fileSystem.exists(outputPath)) {
           fileSystem.delete(outputPath, true);
      }

       // 设置作业输入文件和输出文件的路径
       FileInputFormat.setInputPaths(job, new Path(args[0]));
       FileOutputFormat.setOutputPath(job, outputPath);

       // 将作业提交到群集并等待它完成，参数设置为 true 代表打印显示对应的进度
       boolean result = job.waitForCompletion(true);

       // 关闭之前创建的 fileSystem
       fileSystem.close();

       // 根据作业结果,终止当前运行的 Java 虚拟机,退出程序
       System.exit(result ? 0 : -1);

  }
}






 


 


 














x




 


 




 








 


 




1




/**








2




* 组装作业 并提交到集群运行








3




*/








4




public class WordCountApp {








5




   // 这里为了直观显示参数 使用了硬编码，实际开发中可以通过外部传参








6




   private static final String HDFS_URL = "hdfs://192.168.100.1";








7




   private static final String HADOOP_USER_NAME = "root";








8












9




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








10












11




       // 文件输入路径和输出路径由外部传参指定








12




       if (args.length < 2) {








13




           System.out.println("Input and output paths are necessary!");








14




           return;








15




      }








16












17




       // 需要指明 hadoop 用户名，否则在 HDFS 上创建目录时可能会抛出权限不足的异常








18




       System.setProperty("HADOOP_USER_NAME", HADOOP_USER_NAME);








19












20




       Configuration configuration = new Configuration();








21




       // 指明 HDFS 的地址








22




       configuration.set("fs.defaultFS", HDFS_URL);








23












24




       // 创建一个 Job








25




       Job job = Job.getInstance(configuration);








26












27




       // 设置运行的主类








28




       job.setJarByClass(WordCountApp.class);








29












30




       // 设置 Mapper 和 Reducer








31




       job.setMapperClass(WordCountMapper.class);








32




       job.setReducerClass(WordCountReducer.class);








33












34




       // 设置 Mapper 输出 key 和 value 的类型








35




       job.setMapOutputKeyClass(Text.class);








36




       job.setMapOutputValueClass(IntWritable.class);








37












38




       // 设置 Reducer 输出 key 和 value 的类型








39




       job.setOutputKeyClass(Text.class);








40




       job.setOutputValueClass(IntWritable.class);








41












42




       // 如果输出目录已经存在，则必须先删除，否则重复运行程序时会抛出异常








43




       FileSystem fileSystem = FileSystem.get(new URI(HDFS_URL), configuration, HADOOP_USER_NAME);








44




       Path outputPath = new Path(args[1]);








45




       if (fileSystem.exists(outputPath)) {








46




           fileSystem.delete(outputPath, true);








47




      }








48












49




       // 设置作业输入文件和输出文件的路径








50




       FileInputFormat.setInputPaths(job, new Path(args[0]));








51




       FileOutputFormat.setOutputPath(job, outputPath);








52












53




       // 将作业提交到群集并等待它完成，参数设置为 true 代表打印显示对应的进度








54




       boolean result = job.waitForCompletion(true);








55












56




       // 关闭之前创建的 fileSystem








57




       fileSystem.close();








58












59




       // 根据作业结果,终止当前运行的 Java 虚拟机,退出程序








60




       System.exit(result ? 0 : -1);








61












62




  }








63




}














 


 












需要注意的是：如果不设置 Mapper 操作的输出类型，则程序默认它和 Reducer操作输出的类型相同。


提交到服务器运行


在实际开发中，可以在本机配置 hadoop 开发环境，直接在 IDE 中启动进行测试。这里主要介绍一下打包提交到服务器运行。由于本项目没有使用除 Hadoop 外的第三方依赖，直接打包即可：




# mvn clean package






 


 


 












 


 


 







 


 




1




# mvn clean package














 


 










使用以下命令提交作业：






hadoop jar /usr/appjar/hadoop-word-count-1.0.jar \
com.heibaiying.WordCountApp \
/wordcount/input.txt /wordcount/output/WordCountApp






 


 


 












 


 


 







 


 




1




hadoop jar /usr/appjar/hadoop-word-count-1.0.jar \








2




com.heibaiying.WordCountApp \








3




/wordcount/input.txt /wordcount/output/WordCountApp














 


 












作业完成后查看 HDFS 上生成目录：






# 查看目录
hadoop fs -ls /wordcount/output/WordCountApp

# 查看统计结果
hadoop fs -cat /wordcount/output/WordCountApp/part-r-00000






 


 


 












 


 


 







 


 




1




# 查看目录








2




hadoop fs -ls /wordcount/output/WordCountApp








3












4




# 查看统计结果








5




hadoop fs -cat /wordcount/output/WordCountApp/part-r-00000














 


 














 


 











            

            
posted @ 
2019-09-14 21:02 
DaBai的黑屋 
阅读(542) 
评论(0) 
编辑 
收藏 
举报


        

	    
	    
    









    
    

    
    

    

        

    

        

            
                
                
            
        

    

        

            
                
            
        

    

    

    



	

	

	
	

	

	

	





    

        




    
    Live2D