Hadoop学习笔记（五）：java开发MapReduce

1. MapReduce的流程图（摘自马士兵老师视频），我们开发的就是其中的这两个（红框）过程。简述一下这个图，input就是我们需要处理的文件（datanode上文件的一个分块）；Split就是将这个文件进行拆分，默认的就是按照行来拆分，拆分的结果是一个key-value对，key是这一行起始的位置，value就是这一行的内容；map是我们需要开发的内容，也就是对这一行数据的处理，产生的结果也是一个key-value对；shuffle是把上一步处理后的数据进行一个汇总，把同样的key合并到一起，把所有的value放到一个容器里；reduce缩减，就是将上一步容器里的值进行求和，也是一个key-value对；output就是输出。

2. 如果是在windows机器上进行开发，需要对环境进行一些配置：

a). 首先添加hadoop的环境变量HADOOP_HOME指向hadoop的安装目录：

b). 把HADOOP_HOME/bin加到PATH环境变量（非必要）

c). 覆盖HADOOP_HOME/bin（到此处https://github.com/srccodes/hadoop-common-2.2.0-bin下载bin文件）

d). 将hadoop.dll复制到c:\windows\system32目录下（重启电脑）

3. 新建java项目，引入相应的jar包，jar包都位于HADOOP_HOME目录下的share/hadoop中，以下是jar清单：

a). common下hadoop-common-2.7.3.jar，已经common/lib下所有jar包。

b). hdfs下所有jar包，以及hdfs/lib下所有jar包。

c). mapreduce下所有jar包，以及mapreduce/lib下所有jar包。

d). yarn下所有jar包，以及yarn/lib下所有jar包。

4. 编写map层代码，新建WordMapper.java类：

 import java.io.IOException;

 import org.apache.hadoop.io.IntWritable;
 import org.apache.hadoop.io.LongWritable;
 import org.apache.hadoop.io.Text;
 import org.apache.hadoop.mapreduce.Mapper;

 public class WordMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
     @Override
     protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, IntWritable>.Context context) throws IOException, InterruptedException {
         final IntWritable ONE = new IntWritable(1);
         String s = value.toString();
         String[] words = s.split(" ");
         for (String word : words) {
             context.write(new Text(word), ONE);
         }
     }
 }

5. 编写reduce层代码，新建WordReduce.java文件：

 import java.io.IOException;

 import org.apache.hadoop.io.IntWritable;
 import org.apache.hadoop.io.LongWritable;
 import org.apache.hadoop.io.Text;
 import org.apache.hadoop.mapreduce.Reducer;

 public class WordReduce extends Reducer<Text, IntWritable, Text, LongWritable> {
     @Override
     protected void reduce(Text key, Iterable<IntWritable> values, Reducer<Text, IntWritable, Text, LongWritable>.Context content) throws IOException, InterruptedException {
         long count = 0;
         for (IntWritable v : values) {
             count += v.get();
         }
         content.write(key, new LongWritable(count));
     }
 }

6. 编程测试层代码，新建Test.java（程序可以在windows独立运行，不用启动hadoop服务）

 import org.apache.hadoop.conf.Configuration;
 import org.apache.hadoop.fs.Path;
 import org.apache.hadoop.io.IntWritable;
 import org.apache.hadoop.io.LongWritable;
 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;

 public class Test {
     public static void main(String[] args) throws Exception {
         Configuration conf = new Configuration();

         Job job = Job.getInstance(conf);

         job.setMapperClass(WordMapper.class);
         job.setReducerClass(WordReduce.class);

         job.setMapOutputKeyClass(Text.class);
         job.setMapOutputValueClass(IntWritable.class);

         job.setOutputKeyClass(Text.class);
         job.setOutputValueClass(LongWritable.class);

         FileInputFormat.setInputPaths(job, "E:/input.txt");
         FileOutputFormat.setOutputPath(job, new Path("E:/out/"));

         job.waitForCompletion(true);
     }
 }

7. 运行测试代码，去到输出目录进行查看：

8. 打开该文件，查看运行结果：

9. 下面将这个程序扔到hadoop中运行。

10. 首先在hadoop上准备一个需要处理文件

11. 修改测试代码，只要修改两行就好了，然后运行（记得启动hadoop和yarn）：

FileInputFormat.setInputPaths(job, "hdfs://192.168.74.100:9000/input");

FileOutputFormat.setOutputPath(job, new Path("hdfs://192.168.74.100:9000/output"));

12. 在hadoop中查看运行结果

13. 需要注意的是（观看Eclipse的控制台），这个任务仍然是在本地执行的，也就是说，这个程序需要先将需要处理的文件下载的本地，然后再进行处理，显而易见，如果文件很大，这是很不合适的。

14. 我们要做的是将程序给hadoop执行，而不是将datanode的文件下载到本地，然后用本地的程序执行。修改后测试代码如下，注意，这里需要进行两个配置，在windows的host文件中添加master的ip：

然后，将项目打成jar包放到项目根目录下：

运行的时候，右击测试文件，选择Run Configurations，在Arguments的VM arguments中输入-DHADOOP_USER_NAME=root，然后点击Run

 import org.apache.hadoop.conf.Configuration;
 import org.apache.hadoop.fs.Path;
 import org.apache.hadoop.io.IntWritable;
 import org.apache.hadoop.io.LongWritable;
 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;

 public class Test {
     public static void main(String[] args) throws Exception {
         Configuration conf = new Configuration();

         conf.set("fs.defaultFS", "hdfs://192.168.74.100:9000/");
         conf.set("mapreduce.job.jar", "mr.jar");
         conf.set("mapreduce.framework.name", "yarn");
         conf.set("yarn.resourcemanager.hostname", "master");
         conf.set("mapreduce.app-submission.cross-platform", "true");

         Job job = Job.getInstance(conf);

         job.setMapperClass(WordMapper.class);
         job.setReducerClass(WordReduce.class);

         job.setMapOutputKeyClass(Text.class);
         job.setMapOutputValueClass(IntWritable.class);

         job.setOutputKeyClass(Text.class);
         job.setOutputValueClass(LongWritable.class);

         FileInputFormat.setInputPaths(job, "/input/");
         FileOutputFormat.setOutputPath(job, new Path("/output2/"));

         job.waitForCompletion(true);
     }
 }

15. 查看该任务ID

16. 运行完上述代码，查看测试结果（自行查看），宿主机浏览器查看刚才的任务，发现刚才的任务是在slave3上执行的。