一步一步学习hadoop（十）

MapRedcue作业的设置与运行

       新版本的设置和旧版本的有较大区别，新版本使用job对象统一管理作业的配置和运行，删除了JobClient对象，实现了配置和运行的统一。

       编写好了map函数和reduce函数，再对MapReduce作业进行适当的设置，MapReduce作业就可以在Hadoop框架上运行了。以一个简单的例子来讲解MapReduce作业的设置。该作业是Hadoop框架的一个例子，读取文本文件，统计每个单词出现的次数。

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;

public class WordCount {
  //定义map函数
  public static class TokenizerMapper
       extends Mapper<Object, Text, Text, IntWritable>{
    
    private final static IntWritable one = new IntWritable(1);
    private Text word = new Text();
      
    public void 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);
      }
    }
  }
  //定义reduce函数
  public static class IntSumReducer
       extends Reducer<Text,IntWritable,Text,IntWritable> {
    private IntWritable result = new IntWritable();

    public void 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);
    }
  }

  public static void main(String[] args) throws Exception {
    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);
    }
    //创建作业
    Job job = new Job(conf, "word count");
    job.setJarByClass(WordCount.class);
    //设置mapper类
    job.setMapperClass(TokenizerMapper.class);
    //设置合并类，是一个优化措施，下一节讲述
    job.setCombinerClass(IntSumReducer.class);
    //设置reducer类
    job.setReducerClass(IntSumReducer.class);
    //设置作业输出的键的类型。
    job.setOutputKeyClass(Text.class);
    //设置作业输出的值的类型
    job.setOutputValueClass(IntWritable.class);
    //设置作业处理的文件的路径，如果是目录，则对下面所有的文件进行处理
    FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
    //设置作业结果保存的目录，该目录必须在HDFS中不存在否则，作业会报错
    FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
    //运行作业
    System.exit(job.waitForCompletion(true) ? 0 : 1);
  }
}

几点说明：
1.如果map输出的key/value的类型和作业输出的key/value类型不一样，则要通过setMapOutputKeyClass和setMapOutputValueClass进行设置
2.如果要运行多个Ｒeduce任务必须通过setNumReduceTasks显式设置，否则默认为一个reduce，当然也可以设置为0个Ｒeduce任务，这时候作业完全并行。
3.setInputFormatClass设置对输入数据的解析方式，以前已经讲述过了
4.setOutputFormatClass设置作业输出数据怎样保存的，以后再讲。
5.setPartitionerClass，设置map的输出到reduce任务的映射，下一节讲述。