Hadoop入门实践之从WordCount程序说起

这段时间需要学习Hadoop了，以前一直听说Hadoop，但是从来没有研究过，这几天粗略看完了《Hadoop实战》这本书，对Hadoop编程有了大致的了解。接下来就是多看多写了。以Hadoop自带的例子WordCount程序开始，来记录我的Hadoop学习过程。

Hadoop自带例子WordCount.java

[java] view plaincopy

1. /** 
2.  *  Licensed under the Apache License, Version 2.0 (the "License"); 
3.  *  you may not use this file except in compliance with the License. 
4.  *  You may obtain a copy of the License at 
5.  * 
6.  *      http://www.apache.org/licenses/LICENSE-2.0 
7.  * 
8.  *  Unless required by applicable law or agreed to in writing, software 
9.  *  distributed under the License is distributed on an "AS IS" BASIS, 
10.  *  WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
11.  *  See the License for the specific language governing permissions and 
12.  *  limitations under the License. 
13.  */  
14.   
15.   
16. package org.apache.hadoop.examples;  
17.   
18. import java.io.IOException;  
19. import java.util.StringTokenizer;  
20.   
21. import org.apache.hadoop.conf.Configuration;  
22. import org.apache.hadoop.fs.Path;  
23. import org.apache.hadoop.io.IntWritable;  
24. import org.apache.hadoop.io.Text;  
25. import org.apache.hadoop.mapreduce.Job;  
26. import org.apache.hadoop.mapreduce.Mapper;  
27. import org.apache.hadoop.mapreduce.Reducer;  
28. import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;  
29. import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;  
30. import org.apache.hadoop.util.GenericOptionsParser;  
31.   
32. public class WordCount {  
33.   
34.   public static class TokenizerMapper   
35.        extends Mapper<Object, Text, Text, IntWritable>{  
36.       
37.     private final static IntWritable one = new IntWritable(1);  
38.     private Text word = new Text();  
39.         
40.     public void map(Object key, Text value, Context context  
41.                     ) throws IOException, InterruptedException {  
42.       StringTokenizer itr = new StringTokenizer(value.toString());  
43.       while (itr.hasMoreTokens()) {  
44.         word.set(itr.nextToken());  
45.         context.write(word, one);  
46.       }  
47.     }  
48.   }  
49.     
50.   public static class IntSumReducer   
51.        extends Reducer<Text,IntWritable,Text,IntWritable> {  
52.     private IntWritable result = new IntWritable();  
53.   
54.     public void reduce(Text key, Iterable<IntWritable> values,   
55.                        Context context  
56.                        ) throws IOException, InterruptedException {  
57.       int sum = 0;  
58.       for (IntWritable val : values) {  
59.         sum += val.get();  
60.       }  
61.       result.set(sum);  
62.       context.write(key, result);  
63.     }  
64.   }  
65.   
66.   public static void main(String[] args) throws Exception {  
67.     Configuration conf = new Configuration();  
68.     String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();  
69.     if (otherArgs.length != 2) {  
70.       System.err.println("Usage: wordcount <in> <out>");  
71.       System.exit(2);  
72.     }  
73.     Job job = new Job(conf, "word count");  
74.     job.setJarByClass(WordCount.class);  
75.     job.setMapperClass(TokenizerMapper.class);  
76.     job.setReducerClass(IntSumReducer.class);  
77.     job.setOutputKeyClass(Text.class);  
78.     job.setOutputValueClass(IntWritable.class);  
79.     FileInputFormat.addInputPath(job, new Path(otherArgs[0]));  
80.     FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));  
81.     System.exit(job.waitForCompletion(true) ? 0 : 1);  
82.   }  
83. }  

这个程序的功能是对文件中各个单词的数目进行统计。

在Wordount.java中有两个静态内部类TokenizerMapper，IntSumReducer，关于静态内部类，可以参考另一篇文章Java中的静态内部类。这两个类分别对应与MapReduce中的map和reduce。至于为什么要用静态的内部类，个人理解是这样的：一般一个简单作业（Job）包含了一个map过程和一个reduce过程，Job，Map，Reduce写在一个文件中便于文件的组织。但是，Hadoop内部需要使用反射的方式来实例化客户端的Map和Reduce，所以使用了静态内部类的方式，参考了StackOverflow上的一个帖子：Do Mappers and Reducers in Hadoop have to be static classes?，如果不许要将Job，Map和Reduce组织在一起，完全可以将这三个类写在三个类文件中。

在程序的main函数中首先实例化一个Configuration，用于加载Hadoop的配置信息，然后就解析给程序传递的参数，这里我们传递了两个字符串参数，经过解析之后保存在有两个元素的数组otherArgs中，其中otherArgs[0]为要进行统计的文件的路径，otherArgs[1]为经过MapReduce计算之后的结果所保存的位置。

[java] view plaincopy

1. Job job = new Job(conf, "word count");  

语句实例化一个Job对象，然后就为Job对像指定运行时所需的类

[java] view plaincopy

1. job.setJarByClass(WordCount.class);  

表示告诉Hadoop集群，作业从哪个类开始运行，

[java] view plaincopy

1. job.setMapperClass(TokenizerMapper.class);  

表示执行哪个类的map方法，我们这里指定的是方法

[java] view plaincopy

1. public void map(Object key, Text value, Context context  
2.                    ) throws IOException, InterruptedException {  
3.      StringTokenizer itr = new StringTokenizer(value.toString());  
4.      while (itr.hasMoreTokens()) {  
5.        word.set(itr.nextToken());  
6.        context.write(word, one);  
7.      }  
8.    }  

这个方法对要进行map的每行数据，使用StringTokenizer类进行分割，分割出来的值在保存到context中进行，从而在reduce中进行单词数量统计。

[java] view plaincopy

1. job.setReducerClass(IntSumReducer.class);  

这行语句设置用于进行Reduce的类，告诉Hadoop集群执行哪个reduce函数：

[java] view plaincopy

1. public void reduce(Text key, Iterable<IntWritable> values,   
2.                       Context context  
3.                       ) throws IOException, InterruptedException {  
4.      int sum = 0;  
5.      for (IntWritable val : values) {  
6.        sum += val.get();  
7.      }  
8.      result.set(sum);  
9.      context.write(key, result);  
10.    }  

在这个函数执行之前，Hadoop已经为我们将各个单词的个数大概的归并在一起了，函数的前两个参数是Text 类型和Iterable类型，参数名分别为key和alues，其中在这里key表示在map方法中分割得到的单词，values表示在map阶段统计的单词的数量（由于reduce阶段接收到多个数据结点发送过来的统计结果，所以对应于一个key，可能有多个value，所以将这些value都保存在一迭代器中，然后对迭代器进行遍历，这个过程以后再讨论。），遍历values迭代器，对每个key的数量进行汇总，然后再记录在context中。

[java] view plaincopy

1. job.setOutputKeyClass(Text.class);  
2. job.setOutputValueClass(IntWritable.class);  

表示MapReduce执行结束之后，将结果保存在HDFS中时，保存的数据类型。这里将结果的key以Text类型保存，value以IntWritable类型保存。

[java] view plaincopy

1. FileInputFormat.addInputPath(job, new Path(otherArgs[0]));  
2. FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));  

分别表示输入和输出的路径。

这个程序相对于Hadoop的例子，我去掉了

[java] view plaincopy

1. job.setCombinerClass(IntSumReducer.class);  

这行语句，在Hadoop中，Combiner主要用于提升Hadoop的处理效率，为了集中于理解MapReduce，我去掉了这行代码，待以后讨论提升Hadoop性能时，再学习Combiner。

原文地址：点击打开链接