单词计数WordCountApp.class

public class WordCountApp {
    // 可以指定目录,目录下如果有二级目录的话,是不会执行的,只会执行一级目录.
    private static final String INPUT_PATH = "hdfs://hadoop1:9000/abd";// 输入路径
    private static final String OUT_PATH = "hdfs://hadoop1:9000/out";// 输出路径,reduce作业输出的结果是一个目录
    // _SUCCESS:在linux中,带下划线的这些文件一般都是被忽略不去处理的.表示作业执行成功.
    // _logs:产生的日志文件.
    // part-r-00000:产生的是我们的输出的文件.开始以part开始.r:reduce输出的结果,map输出的结果是m,00000是序号
    public static void main(String[] args) {
        Configuration conf = new Configuration();// 配置对象
        try {
            FileSystem fileSystem = FileSystem.get(new URI(OUT_PATH), conf);
            fileSystem.delete(new Path(OUT_PATH), true);
            Job job = new Job(conf, WordCountApp.class.getSimpleName());// jobName:作业名称
            job.setJarByClass(WordCountApp.class);
            FileInputFormat.setInputPaths(job, INPUT_PATH);// 指定数据的输入
            job.setMapperClass(MyMapper.class);// 指定自定义map类
            job.setMapOutputKeyClass(Text.class);// 指定map输出key的类型
            job.setMapOutputValueClass(LongWritable.class);// 指定map输出value的类型
            job.setReducerClass(MyReducer.class);// 指定自定义Reduce类
            job.setOutputKeyClass(Text.class);// 设置Reduce输出key的类型
            job.setOutputValueClass(LongWritable.class);// 设置Reduce输出的value类型
            FileOutputFormat.setOutputPath(job, new Path(OUT_PATH));// Reduce输出完之后,就会产生一个最终的输出,指定最终输出的位置
            job.waitForCompletion(true);// 提交给jobTracker并等待结束
        } catch (Exception e) {
            e.printStackTrace();
        }
    }

    /**
     * 输入的key标示偏移量:这一行开始的字节. 输入的value:当前的行文本的内容. MapReduce执行过程:
     * 在这里边,我们的数据输入来自于原始文件,数据输出写出到hdfs, 中间的一堆都是map输出产生的临时结果.存放在map运行的linux磁盘上的,
     * 当经过shuffle时,reduce就会通过http把map端的对应数据给取过来.
     * mapred-default.xml中mapredcue.jobtracker
     * .root.dir,mapred.tmp.dir存储map产生的结果. 作业运行时产生这个目录,作业运行完之后它会删除目录.
     */
    public static class MyMapper extends
            Mapper<LongWritable, Text, Text, LongWritable> {
        // 源文件有两行记录,解析源文件会产生两个键值对.分别是<0,hello you>,<10,hello me>,所以map函数会被调用两次.
        // 在计算机存储的时候,是一维的结构.
        @Override
        protected void map(LongWritable key, Text value, Context context)
                throws IOException, InterruptedException {
            // 为什么要把hadoop类型转换为java类型?
            String line = value.toString();
            String[] splited = line.split("\t");
            // 使用hashMap写出去的优势:减少键值对出现的个数.
            Map<String, Integer> hashMap = new HashMap<String, Integer>();

            for (String word : splited) {
                // 在for循环体内,临时变量word出现的此时是常量1
                context.write(new Text(word), new LongWritable(1));// 把每个单词出现的次数1写出去.
            }
        }
    }

    // map函数执行结束后,map输出的<k,v>一共有4个.<hello,1>,<you,1>,<hello,1>,<me,1>
    // map把数据处理完之后,就会进入reduce.
    // 在进入shuffle之前,数据需要先进行分区.默认只有一个区.
    // 对每个不同分区中的数据进行排序,分组.
    // 排序后的结果:<hello,1>,<hello,1>,<me,1>,<you,1>
    // 分组后的结果(相同key的value放在一个集合中):<hello,{1,1}>,<me,{1}>,<you,{1}>
    // 规约(可选)

    // map中的数据分发到reduce的过程称作shuffle
    public static class MyReducer extends
            Reducer<Text, LongWritable, Text, LongWritable> {
        // 每一组调用一次reduce函数,一共调用了三次
        @Override
        protected void reduce(Text key, Iterable<LongWritable> values,
                Context context) throws IOException, InterruptedException {
            // count标示单词key在整个文件出现的次数
            // 分组的数量与reduce函数调用次数是相等的.
            // reduce函数调用次数与产生的<k,v>的数量抛开业务,没有任何关系!
            long count = 0L;
            for (LongWritable times : values) {
                count += times.get();
            }
            context.write(key, new LongWritable(count));
        }
    }
}