MapReduce编程之WordCount

//mapreduce程序

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.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.output.FileOutputFormat;

 

public class WordCount {

 

  /**

   * TokenizerMapper 继续自 Mapper<LongWritable, Text, Text, IntWritable>

   *

   * [一个文件就一个map,两个文件就会有两个map]

   * map[这里读入输入文件内容 以" \t\n\r\f" 进行分割，然后设置 word ==> one 的key/value对]

   *

   * @param Object  Input key Type:

   * @param Text    Input value Type:

   * @param Text    Output key Type:

   * @param IntWritable Output value Type:

   *

   * Writable的主要特点是它使得Hadoop框架知道对一个Writable类型的对象怎样进行serialize以及deserialize.

   * WritableComparable在Writable的基础上增加了compareT接口，使得Hadoop框架知道怎样对WritableComparable类型的对象进行排序。

   *

   * @ author liuqingjie

   *

   */

  public static class TokenizerMapper

       extends Mapper<LongWritable, Text, Text, IntWritable>{

 

    private final static IntWritable one = new IntWritable(1);

    private Text word = new Text();

    public void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {

      StringTokenizer itr = new StringTokenizer(value.toString());

      while (itr.hasMoreTokens()) {

        word.set(itr.nextToken());

        context.write(word, one);

      }

    }

  }

 

  /**

   * IntSumReducer 继承自 Reducer<Text,IntWritable,Text,IntWritable>

   *

   * [不管几个Map,都只有一个Reduce,这是一个汇总]

   * reduce[循环所有的map值,把word ==> one 的key/value对进行汇总]

   *

   * 这里的key为Mapper设置的word[每一个key/value都会有一次reduce]

   *

   * 当循环结束后，最后的确context就是最后的结果.

   *

   * @author liuqingjie

   *

   */

  public static class IntSumReducer

       extends Reducer<Text,IntWritable,Text,IntWritable> {

    private IntWritable result = new IntWritable();

 

    public void reduce(Text key, Iterable<IntWritable> values,

                       Context context

                       ) throws IOException, InterruptedException {

      int sum = 0;

      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();

        if (args.length != 2) {

            System.err.println("请配置路径  ");

            System.exit(2);

        }

    Job job = new Job(conf, "wordcount");

    job.setJarByClass(WordCount.class);//主类

     

    job.setMapperClass(TokenizerMapper.class);//mapper

    job.setReducerClass(IntSumReducer.class);//reducer

     

    job.setMapOutputKeyClass(Text.class);//设置map输出数据的关键类

    job.setMapOutputValueClass(IntWritable.class);//设置map输出值类

     

    job.setOutputKeyClass(Text.class);//设置作业输出数据的关键类

    job.setOutputValueClass(IntWritable.class);//设置作业输出值类

     

    FileInputFormat.addInputPath(job, new Path(otherArgs[0]));//文件输入

    FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));//文件输出

     

    System.exit(job.waitForCompletion(true) ? 0 : 1);//等待完成退出.

  }

}

编写过程分析：

（1）数据类型

       整型：IntWritable， 这是Hadoop对int的封装

       字符串型：Text，这是Hadoop对String的封装

      上下文对象：Context，它用来与MapReduce系统进行通信，如把map的结果传给reduce处理

   （2）执行过程

          分为两个阶段：map阶段和reduce阶段, 以key/value为输入输出，其中key、value的类型可以由程序员自定义。

        map编写：         

           自定义一个类，继承于基类Mapper，该基类是一个泛型，有4个形参类型：用来指定map函数的输入键、输入值，输出键、输 出值，格式如下：public class Mapper<KEYIN,VALUEIN,KEYOUT,VALUEOU>。

           根据实际需要，重写map函数，函数类型由Mapper指定。每一对<key,value>调用一次map函数。

          wordcount程序中，map方法中的value值存储的是文本文件中的一行，key值为该行的首字符相对于文本文件首字符的偏移量，在本程序中，key值未使用。StringTokenizer类是将每一行拆分为一个个的单词。

        reduce编写：

         自定义一个类，继承于基类Reducer，该基类是一个泛型，有4个形参类型：用来指定reduce函数的输入键、输入值，输出键、输出值，格式public class Reducer<KEYIN,VALUEIN,KEYOUT,VALUEOUT>，其中reduce的输入类型必须与map的输出类型一致。

         根据实际需要，重写reduce方法，方法的类型由Reducer指定。每一个key调用一次reduce方法。

        主函数编写：

       在主函数中进行作业的配置，主要配置有：

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

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

    job.setJarByClass(WordCount.class);//主类

     

    job.setMapperClass(TokenizerMapper.class);//mapper

    job.setReducerClass(IntSumReducer.class);//reducer

     

    job.setMapOutputKeyClass(Text.class);//设置map输出数据的关键类

    job.setMapOutputValueClass(IntWritable.class);//设置map输出值类

     

    job.setOutputKeyClass(Text.class);//设置作业输出数据的关键类

    job.setOutputValueClass(IntWritable.class);//设置作业输出值类

     

    FileInputFormat.addInputPath(job, new Path(otherArgs[0]));//文件输入

    FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));//文件输出

     

    System.exit(job.waitForCompletion(true) ? 0 : 1);//等待完成退出.

(3)数据处理过程

     1）将文件拆分为splits，并由MapReduce框架自动完成分割，将每一个split分割为<key,value>对

     2）每一对<key,value>调用一次map函数，处理后生产新的<key,value>对，由Context传递给reduce处理

     3）Mapper对<key，value>对进行按key值进行排序，将key值相同的value进行合并。最后得到Mapper的最终输出结果

     4）reduce处理，处理后将新的<key,value>对输出。