Hadoop-Mapreduce-英文单词计数

package mapred;

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.io.WritableComparable;
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.input.SequenceFileInputFormat;

import org.apache.hadoop.mapreduce.lib.map.InverseMapper;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.SequenceFileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;

public class WordCount {

    // 自定义Mapper静态内部Class 继承父类 Mapper类，进一步实现map过程
    public static class TokenizerMapper extends
            Mapper<Object, Text, Text, IntWritable> {
        public void map(Object key, Text value, Context context)
                throws IOException, InterruptedException {
            System.out.println(key);
            // Key
            Text keyOut;
            // 定义整数1， 每个单词计数一次
            IntWritable valueOut = new IntWritable(1);

            // 构造一个用来解析输入value值的StringTokenizer对象
            StringTokenizer token = new StringTokenizer(value.toString());
            while (token.hasMoreTokens()) {
                // 返回从当前位置到下一个分割符的字符串
                keyOut = new Text(token.nextToken());
                // map过程输出键值对：输出每个被拆分出来的单词，以及计数1
                context.write(keyOut, valueOut);
            }
        }
    }

    // 自定义Reducer Class 继承父类 Reducer类，进一步实现reduce过程
    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);
        }
    }

    // 自定义实现降序
    // Hadoop默认对IntWritable按升序排序，重写IntWritable.Comparator类实现降序
    private static class IntWritableDecreaseingComparator extends IntWritable.Comparator {
        @Override
        public int compare(WritableComparable a, WritableComparable b) {
            return -super.compare(a, b);// 比较结果取负数即可降序
        }
        @Override
        public int compare(byte[] b1, int s1, int l1, byte[] b2, int s2, int l2) {
            return -super.compare(b1, s1, l1, b2, s2, l2);
        }
    }

    // 入口
    public static void main(String[] args) throws Exception {
        // 任何作用的配置信息必须通过Configuration传递，通过Configuration可以实现在多个mapper和多个reducer任务之间共享信息
        Configuration conf = new Configuration();

        // 定义一个临时目录：hdfs://localhost:9000/wordcount1 是hdfs上不存在的目录（hdfs://localhost:9000/肯定存在）
        // 自定义一个临时目录，如果目录存在请先删除目录后，再运行
        Path tempDir = new Path("hdfs://localhost:9000/wordcount1");

        try {
            // 创建作业 job
            Job job = Job.getInstance(conf, "word count ");

            //  通过传入的WordCount类Class 设置job的jar包
            job.setJarByClass(WordCount.class);

            //  设置Mapper类Class
            job.setMapperClass(TokenizerMapper.class);
            //  设置Combine类Class
            job.setCombinerClass(IntSumReducer.class);
            //  设置Reducer类Class
            job.setReducerClass(IntSumReducer.class);

            // 自定义分区
            job.setNumReduceTasks(2);

            // 指定输出类型
            job.setOutputKeyClass(Text.class);//  设置输出Key类Class
            job.setOutputValueClass(IntWritable.class);//  设置输出Value类Class

            // 指定统计作业输出格式，和排序作业的输入格式应对应
            job.setOutputFormatClass(SequenceFileOutputFormat.class);

            // 指定待统计文件目录
            FileInputFormat.addInputPath(job, new Path("hdfs://localhost:9000/words"));

            // 先将词频统计作业的输出结果写到临时目录中，下一个排序作业以临时目录为输入目录
            FileOutputFormat.setOutputPath(job, tempDir);

            // 提交job
            // waitForCompletion提交作业后，每秒会轮询作业进度，如果发现和上次报告后有改变，就把进度报告到控制台，
            // 作业完成后，如果成功就显示作业计数
            boolean result = job.waitForCompletion(true);
            if (result) {
                // 创建作业 sortJob
                Job sortJob = Job.getInstance(conf, "sort");
                sortJob.setJarByClass(WordCount.class);

                // 指定临时目录作为排序作业的输入
                FileInputFormat.addInputPath(sortJob, tempDir);

                // Hadoop 默认的是TextInputFormat和TextOutputFormat,此处可以显示地配置
                sortJob.setInputFormatClass(SequenceFileInputFormat.class);

                // 由Hadoop库提供，作用是实现map()后的数据对key和value交换
                sortJob.setMapperClass(InverseMapper.class);

                // 将Reducer的个数限定为1，最终输出的结果文件就是一个
                sortJob.setNumReduceTasks(1);

                // 最终输出目录，如果目录存在请先删除目录后，再运行
                FileOutputFormat.setOutputPath(sortJob, new Path("hdfs://localhost:9000/wordcount2"));

                //  设置输出Key类Class
                sortJob.setOutputKeyClass(IntWritable.class);
                //  设置输出Value类Class
                sortJob.setOutputValueClass(Text.class);
                // 一般情况下，mapper和reducer输出的数据类型是一样的，所以可以用上面两条命令；
                // 如果不一样，可以用下面两条命令单独指定mapper输出的key、value数据类型
                // job.setMapOutputKeyClass(Text.class);
                // job.setMapOutputValueClass(IntWritable.class);

                sortJob.setOutputFormatClass(TextOutputFormat.class);
                // Hadoop 默认的是TextInputFormat和TextOutputFormat,此处可以显示地配置
                // job.setInputFormatClass(TextInputFormat.class);
                // job.setOutputFormatClass(TextOutputFormat.class);

                // Hadoop默认对IntWritable按升序排序，重写IntWritable.Comparator类实现降序
                sortJob.setSortComparatorClass(IntWritableDecreaseingComparator.class);

                // 提交sortJob
                // waitForCompletion提交作业后，每秒会轮询作业进度，如果发现和上次报告后有改变，就把进度报告到控制台，
                // 作业完成后，如果成功就显示作业计数
                boolean result2 = sortJob.waitForCompletion(true);
                if (result2) {
                    System.out.println("***********ok************");
                }
            }
        } catch (Exception ex) {
            ex.printStackTrace();
        }
    }
}

// 查看指定路径文件
// hadoop fs -ls hdfs://localhost:9000/
// 返回结果，如下：
//Found 5 items
//-rw-r--r--   3 jiangshan supergroup  573545760 2021-09-08 15:48 hdfs://localhost:9000/SBSNTEST111.txt
//-rw-r--r--   3 jiangshan supergroup         28 2021-09-08 16:01 hdfs://localhost:9000/testcreate
//drwxr-xr-x   - jiangshan supergroup          0 2021-09-08 19:39 hdfs://localhost:9000/wordcount1
//drwxr-xr-x   - jiangshan supergroup          0 2021-09-08 19:39 hdfs://localhost:9000/wordcount2
//-rw-r--r--   3 jiangshan supergroup  163254798 2021-09-08 16:56 hdfs://localhost:9000/words

// 查看指定路径文件
// hadoop fs -ls hdfs://localhost:9000/wordcount1
// 返回结果，如下：
//Found 3 items
//-rw-r--r--   3 jiangshan supergroup          0 2021-09-08 19:54 hdfs://localhost:9000/wordcount1/_SUCCESS
//-rw-r--r--   3 jiangshan supergroup      27888 2021-09-08 19:54 hdfs://localhost:9000/wordcount1/part-r-00000
//-rw-r--r--   3 jiangshan supergroup      27364 2021-09-08 19:54 hdfs://localhost:9000/wordcount1/part-r-00001

// 查看指定路径文件
// hadoop fs -ls hdfs://localhost:9000/wordcount2
// 返回结果，如下：
//Found 2 items
//-rw-r--r--   3 jiangshan supergroup          0 2021-09-08 19:54 hdfs://localhost:9000/wordcount2/_SUCCESS
//-rw-r--r--   3 jiangshan supergroup      36850 2021-09-08 19:54 hdfs://localhost:9000/wordcount2/part-r-00000

// 将路径指定文件的内容输出到stdout
// hadoop fs -cat hdfs://localhost:9000/testcreate
// 返回结果，文本文件内容
// Hello Hadoop 888@Chinasofti