Hadoop- Wordcount程序原理及代码实现

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：

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。