Eclipse上运行第一个Hadoop实例 - WordCount(单词统计程序)

需求

　　计算出文件中每个单词的频数。要求输出结果按照单词的字母顺序进行排序。每个单词和其频数占一行，单词和频数之间有间隔。

　　比如，输入两个文件，其一内容如下：

　　hello world

　　hello hadoop

　　hello mapreduce

　　另一内容如下：

　　bye world

　　bye hadoop

　　bye mapreduce

　　对应上面给出的输入样例，其输出样例为：

　　bye　　　　　   3

　　hadoop　　　　2

　　hello　　　　　 3

　　mapreduce　　 2

　　world　　　　　2

方案制定

　　对该案例，可设计出如下的MapReduce方案：

　　1. Map阶段各节点完成由输入数据到单词切分再到单词搜集的工作

　　2. shuffle阶段完成相同单词的聚集再到分发到各个Reduce节点的工作 (shuffle阶段是MapReduce的默认过程)

　　3. Reduce阶段负责接收所有单词并计算各自频数

代码示例

 /**
  *  Licensed under the Apache License, Version 2.0 (the "License");
  *  you may not use this file except in compliance with the License.
  *  You may obtain a copy of the License at
  *
  *      http://www.apache.org/licenses/LICENSE-2.0
  *
  *  Unless required by applicable law or agreed to in writing, software
  *  distributed under the License is distributed on an "AS IS" BASIS,
  *  WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
  *  See the License for the specific language governing permissions and
  *  limitations under the License.
  */

 package org.apache.hadoop.examples;

 import java.io.IOException;
 import java.util.StringTokenizer;

 //导入各种Hadoop包
 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;
 import org.apache.hadoop.util.GenericOptionsParser;

 // 主类
 public class WordCount {

     // Mapper类
     public static class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable>{

         // new一个值为1的整数对象
         private final static IntWritable one = new IntWritable(1);
         // new一个空的Text对象
         private Text word = new Text();

         // 实现map函数
         public void map(Object key, Text value, Context context) throws IOException, InterruptedException {

             // 创建value的字符串迭代器
             StringTokenizer itr = new StringTokenizer(value.toString());

             // 对数据进行再次分割并输出map结果。初始格式为<字节偏移量，单词> 目标格式为<单词，频率>
             while (itr.hasMoreTokens()) {
                     word.set(itr.nextToken());
                     context.write(word, one);
             }
         }
     }

     // Reducer类
     public static class IntSumReducer extends Reducer<Text,IntWritable,Text,IntWritable> {

         // new一个值为空的整数对象
         private IntWritable result = new IntWritable();

         // 实现reduce函数
         public void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {

             int sum = 0;
             for (IntWritable val : values) {
                 sum += val.get();
             }

             // 得到本次计算的单词的频数
             result.set(sum);

             // 输出reduce结果
             context.write(key, result);
         }
     }

     // 主函数
     public static void main(String[] args) throws Exception {

         // 获取配置参数
         Configuration conf = new Configuration();
         String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();

         // 检查命令语法
         if (otherArgs.length != 2) {
                 System.err.println("Usage: wordcount <in> <out>");
                 System.exit(2);
         }

         // 定义作业对象
         Job job = new Job(conf, "word count");
         // 注册分布式类
         job.setJarByClass(WordCount.class);
         // 注册Mapper类
         job.setMapperClass(TokenizerMapper.class);
         // 注册合并类
         job.setCombinerClass(IntSumReducer.class);
         // 注册Reducer类
         job.setReducerClass(IntSumReducer.class);
         // 注册输出格式类
         job.setOutputKeyClass(Text.class);
         job.setOutputValueClass(IntWritable.class);
         // 设置输入输出路径
         FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
         FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));

         // 运行程序
         System.exit(job.waitForCompletion(true) ? 0 : 1);
     }
 }

运行方法

　　1. 打开Eclipse并启动Hdfs (方法请参考前文)

　　2. 新建一个MapReduce工程：”file" -> "new" -> "project"，然后选择 "Map/Reduce Project"

　　

　　3. 设置输入目录及文件

　　在项目工程包里面新建一个名为input的目录，里面存放需要处理的输入文件。这里选用2个文件名分别为file01和file02的文件进行测试。文件内容同需求示例。

　　

　　4. 将输入文件传输入Hdfs

　　在终端输入以下命令即可将整个目录传输进Hdfs(input目录下的所有文件将会被送进Hdfs下名为input01的目录里)，请根据MapReduce工程包实际路径对如下命令略作修改即可：

 ./bin/hadoop fs -put ../workspace/Hadoop_t1/input/ input01

　　5. 在工程包中新建一个WordCount类并将上面的源代码拷贝进去。

　　6. 调整项目运行参数：右键项目 -> “Run As" -> ”Run Configurations"

　　

　　需要添加的就是"Program arguments"下的那些代码。它们其实是作为命令行参数传递进程序的，第一段是输入文件路径；第二段是输出文件路径。

　　路径的格式为 "[主机IP地址:hdfs端口] + [输入/输出目录在hdfs中的路径]"。

　　可以输入以下命令查看输入目录路径：

 ./bin/hadoop fs -ls

　　

　　7. 点击"Run"运行程序。

　　8. 执行以下命令查看结果：

 ./bin/hadoop fs -cat output01/*

　　

　　这些主机和Hdfs的文件传递，显示也可以使用Eclipse，更方便容易。在此就不提了。

　　

小结

　　1. 多多熟练Hadoop平台下MapReduce项目基本创建流程。

　　2. WordCount是一个很经典的Hadoop示例，它虽然简单，但具有很大的代表性。

　　3. 从某个程度上来说也反映了其设计的初衷，对日志文件的分析。