MapReduce--1--入门程序WordCount

MapReduce界的helloworld程序就是WordCount程序。所谓WordCount，就是单词计数，就是用来统计一篇或者一堆文本文件中的各单词的出现次数。

按照我们普通的编写代码的逻辑，单词计数程序应该是这样的：

1、逐行读取文本内容

2、把读取到的一行文本内容切割为一个一个的单词

3、把每个单词出现一次的信息记录为一个key-value，也就是“单词-1”

4、收集所有相同的单词，然后统计value写出的value值得总和，也就是key为同一个单词的所有1的和

以下是WordCount程序的业务逻辑图：

下面是具体代码，基本都注释，只要对MapReduce稍微有所了解，都是能看得懂，如若没看懂，可留言私聊、

package com.ghgj.mazh.mapreduce.wc.demo1;import java.io.IOException;import org.apache.hadoop.conf.Configuration;import org.apache.hadoop.fs.FileSystem;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.Mapper;import org.apache.hadoop.mapreduce.Reducer;import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;import org.apache.hadoop.mapreduce.lib.partition.HashPartitioner;/** * 作者： 马中华：http://blog.csdn.net/zhongqi2513 * 日期： 2017年6月29日 下午8:21:03  *  * 描述: MapReduce出入门：WordCount例子程序  */public class WordCountMR {/** * 该main方法是该mapreduce程序运行的入口，其中用一个Job类对象来管理程序运行时所需要的很多参数： * 比如，指定用哪个组件作为数据读取器、数据结果输出器 指定用哪个类作为map阶段的业务逻辑类，哪个类作为reduce阶段的业务逻辑类 * 指定wordcount job程序的jar包所在路径 .... 以及其他各种需要的参数 */public static void main(String[] args) throws Exception {// 指定hdfs相关的参数Configuration conf = new Configuration();// 手动设置，该MapReduce程序读取的数据来自于HDFS集群conf.set("fs.defaultFS", "hdfs://hadoop02:9000");// 设置运行程序的用户是hadoop用户，就是安装hadoop集群的用户。如果该程序在Hadoop集群中使用hadoop用户进行运行，则可以去掉System.setProperty("HADOOP_USER_NAME", "hadoop");/** * 以上的配置信息，事实上，在实际企业生产环境中，也可以使用conf.addResource方法进行加载。 * 当然如果配置文件的名字是core/hdfs/yarn/mapred-site/default.xml的话。 那么会自动加载的。 *///conf.addResource("hadoop_config/core-site.xml");//conf.addResource("hadoop_config/hdfs-site.xml");// 如果想让MR程序运行在特定的YARN集群之上，则可以使用一下代码，然后，这两信息，在安装集群的配置文件中都有配置的// conf.set("mapreduce.framework.name", "yarn");// conf.set("yarn.resourcemanager.hostname", "hadoop04");// 通过Configuration对象获取Job对象，该job对象会组织所有的该MapReduce程序所有的各种组件Job job = Job.getInstance(conf);// 设置jar包所在路径job.setJarByClass(WordCountMR.class);// 指定mapper类和reducer类job.setMapperClass(WordCountMapper.class);job.setReducerClass(WordCountReducer.class);/** * 指定maptask的输出类型 * Mapper的输入key-value类型，由MapReduce框架决定， 默认情况下就是 LongWritable和Text类型 *  * 假如 mapTask的输出key-value类型，跟reduceTask的输出key-value类型一致，那么，以上两句代码可以不用设置 */job.setMapOutputKeyClass(Text.class);job.setMapOutputValueClass(IntWritable.class);/** * 指定reducetask的输出类型 * 如果reduceTask的输入key-value类型就是 mapTask的输出key-value类型。可以不需要指定 */job.setOutputKeyClass(Text.class);job.setOutputValueClass(IntWritable.class);// 为job指定输入数据的组件和输出数据的组件，以下两个参数是默认的，所以不指定也是OK的job.setInputFormatClass(TextInputFormat.class);job.setOutputFormatClass(TextOutputFormat.class);// 为该mapreduce程序制定默认的数据分区组件。默认是 HashPartitioner.classjob.setPartitionerClass(HashPartitioner.class);/** * 指定该mapreduce程序数据的输入和输出路径: * inputPath目录可以是文件，也可以是目录 * outputPath路径必须是不存在的目录 */Path inputPath = new Path("D:\\bigdata\\wordcount\\input\\wc.txt");Path outputPath = new Path("D:\\bigdata\\wordcount\\output");// 设置该MapReduce程序的ReduceTask的个数// job.setNumReduceTasks(3);// 该段代码是用来判断输出路径存在不存在，存在就删除，虽然方便操作，但请谨慎FileSystem fs = FileSystem.get(conf);if (fs.exists(outputPath)) {fs.delete(outputPath, true);}// 设置wordcount程序的输入路径FileInputFormat.setInputPaths(job, inputPath);// 设置wordcount程序的输出路径FileOutputFormat.setOutputPath(job, outputPath);// job.submit();// 最后提交任务(verbose布尔值 决定要不要将运行进度信息输出给用户)boolean waitForCompletion = job.waitForCompletion(true);// 主线程程序根据MapReduce程序的运行结果成功与否退出。System.exit(waitForCompletion ? 0 : 1);}/** * Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT> *  * KEYIN 是指框架读取到的数据的key的类型，在默认的InputFormat下，读到的key是一行文本的起始偏移量，所以key的类型是Long * VALUEIN 是指框架读取到的数据的value的类型,在默认的InputFormat下，读到的value是一行文本的内容，所以value的类型是String * KEYOUT 是指用户自定义逻辑方法返回的数据中key的类型，由用户业务逻辑决定，在此wordcount程序中，我们输出的key是单词，所以是String * VALUEOUT 是指用户自定义逻辑方法返回的数据中value的类型，由用户业务逻辑决定,在此wordcount程序中，我们输出的value是单词的数量，所以是Integer *  * 但是，String ，Long等jdk中自带的数据类型，在序列化时，效率比较低，hadoop为了提高序列化效率，自定义了一套序列化框架 * 所以，在hadoop的程序中，如果该数据需要进行序列化（写磁盘，或者网络传输），就一定要用实现了hadoop序列化框架的数据类型 *  * Long ----> LongWritable  * String ----> Text  * Integer ----> IntWritable  * Null ----> NullWritable */static class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {/** * LongWritable key : 该key就是value该行文本的在文件当中的起始偏移量 * Text value ： 就是MapReduce框架默认的数据读取组件TextInputFormat读取文件当中的一行文本 */@Overrideprotected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {// 切分单词String[] words = value.toString().split(" ");for (String word : words) {// 每个单词计数一次，也就是把单词组织成<hello,1>这样的key-value对往外写出context.write(new Text(word), new IntWritable(1));}}}/** * 首先，和前面一样，Reducer类也有输入和输出，输入就是Map阶段的处理结果，输出就是Reduce最后的输出 * reducetask在调我们写的reduce方法,reducetask应该收到了前一阶段（map阶段）中所有maptask输出的数据中的一部分 * （数据的key.hashcode%reducetask数==本reductask号），所以reducetaks的输入类型必须和maptask的输出类型一样 *  * reducetask将这些收到kv数据拿来处理时，是这样调用我们的reduce方法的： 先将自己收到的所有的kv对按照k分组（根据k是否相同） * 将某一组kv中的第一个kv中的k传给reduce方法的key变量，把这一组kv中所有的v用一个迭代器传给reduce方法的变量values */static class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {/** * Text key : mapTask输出的key值 * Iterable<IntWritable> values ： key对应的value的集合（该key只是相同的一个key） *  * reduce方法接收key值相同的一组key-value进行汇总计算 */@Overrideprotected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {// 结果汇总int sum = 0;for (IntWritable v : values) {sum += v.get();}// 汇总的结果往外输出context.write(key, new IntWritable(sum));}}}

后面还会有陆续的MapReduce的各种典型业务场景的代码实现。敬请关注