MapReduce程序（一）——wordCount

写在前面：WordCount的功能是统计输入文件中每个单词出现的次数。基本解决思路就是将文本内容切分成单词，将其中相同的单词聚集在一起，统计其数量作为该单词的出现次数输出。

1.MapReduce之wordcount的计算模型

1.1 WordCount的Map过程

假设有两个输入文本文件，输入数据经过默认的LineRecordReader被分割成一行行数据，再经由map()方法得到<key, value>对，Map过程如下：

得到map方法输出的< key,value>对后，Mapper会将它们按照key值进行排序，并执行Combine过程，将key值相同的value值累加，得到Mapper的最终输出结果，如图所示：

1.2 WordCount的Reduce过程

Reducer对从Mapper端接收的数据进行排序，之后由reduce()方法进行处理，将相同主键下的所有值相加，得到新的<key, value>对作为最终的输出结果，如图所示：

2. 打包运行WordCount程序

通过Eclipse来编译打包运行自己写的MapReduce程序（基于Hadoop 2.6.0）。

2.1 下载所需的驱动包

下载地址Group: org.apache.hadoop下载对应版本的驱动包：

• hadoop-common-2.6.0.jar
• hadoop-mapreduce-client-core-2.6.0.jar
• hadoop-test-1.2.1.jar

2.2 创建新的工程

1. 使用Eclipse创建名为WordCount的Java Project；
2. 在Project Properties -> Java Build Path -> Libraries -> Add External Jars 添加第一步所下载Jar包, 点击OK；
3. 创建WordCount.java源文件：

4. 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;
   public class WordCount {
     public static class TokenizerMapper
          extends Mapper<Object, Text, Text, IntWritable>{
       private final static IntWritable one = new IntWritable();
       private Text word = new Text();
       /*
        * LongWritable 为输入的key的类型
        * Text 为输入value的类型
        * Text-IntWritable 为输出key-value键值对的类型
        */
       public void map(Object key, Text value, Context context
                       ) throws IOException, InterruptedException {
         StringTokenizer itr = new StringTokenizer(value.toString());  // 将TextInputFormat生成的键值对转换成字符串类型
         while (itr.hasMoreTokens()) {
           word.set(itr.nextToken());
           context.write(word, one);
         }
       }
     }
     public static class IntSumReducer
          extends Reducer<Text,IntWritable,Text,IntWritable> {
       private IntWritable result = new IntWritable();
       /*
        * Text-IntWritable 来自map的输入key-value键值对的类型
        * Text-IntWritable 输出key-value 单词-词频键值对
        */
       public void reduce(Text key, Iterable<IntWritable> values,
                          Context context
                          ) throws IOException, InterruptedException {
         int sum = ;
         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();  // job的配置
       Job job = Job.getInstance(conf, "word count");  // 初始化Job
       job.setJarByClass(WordCount.class);
       job.setMapperClass(TokenizerMapper.class);
       job.setCombinerClass(IntSumReducer.class);
       job.setReducerClass(IntSumReducer.class);
       job.setOutputKeyClass(Text.class);
       job.setOutputValueClass(IntWritable.class);
       FileInputFormat.addInputPath(job, new Path(args[]));  // 设置输入路径
       FileOutputFormat.setOutputPath(job, new Path(args[]));  // 设置输出路径
       System.exit(job.waitForCompletion(true) ?  : );
     }
   }

2.3 打包源文件

1. 在Eclipse -> File ->Export -> Java ->JAR file ->next
2. 选中新建的WordCount工程，设置相应的输出路径和文件名（这里的输出路径一定要记下来，后面会用到），FInish
3. 在设置的输出路径处生成了WordCount.jar，至此，打包完毕。

2.4 启动HDFS服务

打开Terminal，进入目录/usr/local/Cellar/hadoop/2.6.0/sbin

$ start-dfs.sh  #启动HDFS
$ jps  #验证是否启动成功

　　1666

　　2503 SecondaryNameNode

　　2920 Jps

　　2317 NameNode

　　2399 DataNode

成功启动服务后, 可以直接在浏览器中输入http://localhost:50070/访问Hadoop页面

2.5 将文件上传到HDFS

进入目录/usr/local/Cellar/hadoop/2.6.0/bin

#在HDFS上创建输入/输出文件夹
$ hdfs dfs -mkdir /user
$ hdfs dfs -mkdir /user/input
$ hdfs dfs -ls /user
#上传本地file中文件到集群的input目录下
$ hdfs dfs -put /Users/&&&&&&&&/Downloads/test* /user/input

#查看上传到HDFS输入文件夹中到文件
$ hadoop fs -ls /user/input
#输出结果

　　-rw-r--r--   1 &&&&&& supergroup        666 2015-04-06 10:49 /user/input/test01.html

　　-rw-r--r--   1 &&&&&& supergroup       9708 2015-04-06 14:25 /user/input/test02.html

2.6 运行JAR文件

#在当前文件夹创建一个工作目录
$ mkdir WorkSpace

#下面这句可以不用，只要运行程序时，正确写入jar所在的完整路径即可
#将打包好的Jar复制到当前工作目录下(复制前路径就是你打包Jar时的存储路径)
$ cp /Users/&&&&&/Desktop/WorkCount.jar ./WorkSpace

#运行Jar文件，各字段含义：hadoop是运行命令命令，jar WorkSpace/WordCount.jar指定Jar文件，WordCount指定Jar文件入口类，/user/input指定job的HDFS上得输入文件目录，output指定job的HDFS输出文件目录
$ hadoop jar WorkSpace/WordCount.jar WordCount /user/input /user/output
#这里input和output在同一user目录中，方便管理

显示如下结果，则说明运行成功：

……省略大量代码

File System Counters

FILE: Number of bytes read=2025025

FILE: Number of bytes written=4443318

FILE: Number of read operations=0

FILE: Number of large read operations=0

FILE: Number of write operations=0

HDFS: Number of bytes read=10356334

HDFS: Number of bytes written=616286

HDFS: Number of read operations=25

HDFS: Number of large read operations=0

HDFS: Number of write operations=5

Map-Reduce Framework

Map input records=33907

Map output records=663964

Map output bytes=6687108

Map output materialized bytes=1005779

Input split bytes=216

Combine input records=663964

Combine output records=68147

Reduce input groups=55800

Reduce shuffle bytes=1005779

Reduce input records=68147

Reduce output records=55800

Spilled Records=136294

Shuffled Maps =2

Failed Shuffles=0

Merged Map outputs=2

GC time elapsed (ms)=187

Total committed heap usage (bytes)=1323827200

Shuffle Errors

BAD_ID=0

CONNECTION=0

IO_ERROR=0

WRONG_LENGTH=0

WRONG_MAP=0

WRONG_REDUCE=0

File Input Format Counters

Bytes Read=4054789

File Output Format Counters

Bytes Written=616286

2.7 查看运行结果

$ hdfs dfs -ls /user/output

Found  items
-rw-r--r--    xumengting supergroup           -- : output/_SUCCESS
-rw-r--r--    xumengting supergroup         -- : output/part-r-00000

#查看结果输出文件中的内容
$ hdfs dfs -cat /user/output/part-r-00000

结果文件一般由2部分组成：

• _SUCCESS文件：表示MapReduce运行成功。
• part-r-00000文件：存放结果，也是默认生成的结果文件

参考文献：

[1]. 【Hadoop基础教程】5、Hadoop之单词计数——http://blog.csdn.net/andie_guo/article/details/44055863

[2]. MapReduce之Wordcount——http://andrewliu.tk/2015/03/29/MapReduce%E4%B9%8BWordCount/#more

[3]. Mac下Hadoop的配置及在Eclipse上编程