Hadoop_15_MapRduce_案例1_Wordcount 单词统计
1.Wordcount示例编写:
MapReduce采用”分而治之”的思想,把对大规模数据集的操作,分发给一个主节点管理下的各个分节点共同完成,然后通过整合各
个节点的中间结果,得到最终结果。简单地说,MapReduce就是”任务的分解与结果的汇总”
需求:在一堆给定的文本文件中统计输出每一个单词出现的总次数
1.1.定义一个Mapper类:
package cn.gigdata.hdfs.mr;
import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
/**
* 参数信息:
* 1.KEYIN: 默认情况下,是mr框架所读到的一行文本的起始偏移量,Long,在hadoop中用自己的序列化接口,不直接用Long,用LongWritable
* 2.VALUEIN:默认情况下,是mr框架所读到的一行文本的内容,String,同上,用String的序列化接口Text
* 3.KEYOUT:是用户自定义逻辑处理完成之后输出数据中的key,在此处是单词,String,同上,用Text
* 4.VALUEOUT:是用户自定义逻辑处理完成之后输出数据中的value,在此处是单词次数,Integer,同上,用IntWritable
* Map程序只写一份,但是可以被很多Map Task调用
*/ public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable>{ /**
* map阶段的业务逻辑就写在自定义的map()方法中
* maptask会对每一行输入数据调用一次我们自定义的map()方法
*/
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException { //将maptask传给我们的文本内容先转换成String
String line = value.toString();
//根据空格将这一行切分成单词
String[] words = line.split(" "); //将单词输出为<单词,1>
for(String word:words){
//将单词作为key,将次数1作为value,以便于后续根据单词进行数据分发,以便于相同单词会到相同的reduce task
context.write(new Text(word), new IntWritable());
}
}
}
1.2.定义一个Reducer类:
package cn.gigdata.hdfs.mr;
import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
/**
* KEYIN, VALUEIN 对应 mapper输出的KEYOUT,VALUEOUT类型对应
* KEYOUT, VALUEOUT 是自定义reduce逻辑处理结果的输出数据类型: KEYOUT是单词 VLAUEOUT是总次数
*/
public class WordcountReducer extends Reducer<Text, IntWritable, Text, IntWritable>{
/**
* <angelababy,1><angelababy,1><angelababy,1><angelababy,1>
* <hello,1><hello,1><hello,1><hello,1><hello,1><hello,1>
* <banana,1><banana,1><banana,1><banana,1><banana,1><banana,1>
* 入参key,是一组相同单词kv对应的key(以组为单位调一次)reduce传key的时候传的是组中的第一个
*/ //生命周期:框架每传递进来一个kv 组,reduce方法被调用一次
@Override
protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException { int count=0;
/*Iterator<IntWritable> iterator = values.iterator();
while(iterator.hasNext()){
count += iterator.next().get();
}*/ for(IntWritable value:values){ count += value.get();
}
context.write(key, new IntWritable(count));//默认将结果写入(HDFS)文件
}
}
1.3.定义一个主类,用来描述job并提交job:
package cn.gigdata.hdfs.mr;
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.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
/**
* 相当于一个yarn集群的客户端
* 需要在此封装我们的mr程序的相关运行参数,指定jar包
* 最后提交给yarn
* @author
*
*/
//定义一个主类,用来描述job并提交job
public class WordcountDriver {
//把业务逻辑相关的信息(哪个是mapper,哪个是reducer,要处理的数据在哪里,输出的结果放哪里……)描述成一个job对象
//把这个描述好的job提交给集群去运行
public static void main(String[] args) throws Exception { if (args == null || args.length == 0) {
args = new String[2];
args[0] = "hdfs://shizhan2:9000/wordcount/input/wordcount.txt";
args[1] = "hdfs://shizhan2:9000/wordcount/output8";
} Configuration conf = new Configuration(); Job job = Job.getInstance(conf); //指定本程序的jar包所在的本地路径
job.setJarByClass(WordcountDriver.class); //指定本业务job要使用的mapper/Reducer业务类
job.setMapperClass(WordCountMapper.class);
job.setReducerClass(WordcountReducer.class); //指定mapper输出数据的kv类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class); //指定最终输出的数据的kv类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class); //指定job的输入原始文件所在目录
FileInputFormat.setInputPaths(job, new Path(args[0]));
//指定job的输出结果所在目录
FileOutputFormat.setOutputPath(job, new Path(args[1])); //将job中配置的相关参数,以及job所用的java类所在的jar包,提交给YARN集群中去运行
/*job.submit();*/
boolean res = job.waitForCompletion(true);
System.exit(res?0:1);
}
}
1.4.MapReduce程序运行模式
1.4.1.本地运行模式
(1)mapreduce程序是被提交给LocalJobRunner在本地以单进程的形式运行
(2)而处理的数据及输出结果可以在本地文件系统,也可以在hdfs上
(3)怎样实现本地运行?写一个程序,不要带集群的配置文件(本质是你的mr程序的conf中是否有
mapreduce.framework.name=local以及yarn.resourcemanager.hostname参数)
(4)本地模式非常便于进行业务逻辑的debug,只要在eclipse中打断点即可
如果在windows下想运行本地模式来测试程序逻辑,需要在windows中配置环境变量:
%HADOOP_HOME% = d:/hadoop-2.6.1
%PATH% = %HADOOP_HOME%\bin
并且要将d:/hadoop-2.6.1的lib和bin目录替换成windows平台编译的版本
1.4.2.集群运行模式
(1)将mapreduce程序提交给yarn集群resourcemanager,分发到很多的节点上并发执行
(2)处理的数据和输出结果应该位于hdfs文件系统
(3)提交集群的实现步骤:
A、将程序打成JAR包,然后在集群的任意一个节点上用hadoop命令启动
hadoop jar workcount.jar cn.gigdata.hdfs.mr.WordcountDriver /wordcount/input1 /wordcount/outputWord
B、直接在linux的eclipse中运行main方法
(项目中要带参数:mapreduce.framework.name=yarn以及yarn的两个基本配置)
C、如果要在windows的eclipse中提交job给集群,则要修改YarnRunner类
1.5.MapReduce程序编程规范:
(1)用户编写的程序分成三个部分:Mapper,Reducer,Driver(提交运行mr程序的客户端)
(2)Mapper的输入数据是KV对的形式(KV的类型可自定义)
(3)Mapper的输出数据是KV对的形式(KV的类型可自定义)
(4)Mapper中的业务逻辑写在map()方法中
(5)map()方法(maptask进程)对每一个<K,V>调用一次
(6)Reducer的输入数据类型对应Mapper的输出数据类型,也是KV
(7)Reducer的业务逻辑写在reduce()方法中
(8)Reducetask进程对每一组相同k的<k,v>组调用一次reduce()方法
(9)用户自定义的Mapper和Reducer都要继承各自的父类
(10)整个程序需要一个Drvier来进行提交,提交的是一个描述了各种必要信息的job对象
1.6.MapReduce程序在集群中运行时的大体流程:
最新文章
- Docker 创建php 开发环境遇到的权限问题解决方案
- java学习之面向对象(4)
- 第 21 章 CSS3 文本效果
- 浅谈iOS中的单例模式
- 使用Cydia Substrate 从Native Hook Android Native世界
- Android开发中完全退出程序的三种方法
- Hive启动时的棘手问题的处理
- .NET(C#):使用XPath查询带有命名空间(有xmlns)的XML
- MySQL中CASE的使用
- obj-c编程09:块的语法
- [原创]Java应用性能远程监控系统(C/S架构)
- Nginx代理的几种模式
- ux.form.field.Year 只能选年的时间扩展
- Python3学习之路~5.9 xml处理模块
- 算法时间复杂度、空间复杂度(大O表示法)
- 解决apache上访问 cgi脚本时总是在网页中显示出脚本的源代码而不是执行结果的问题
- Visual Studio 添加SVN插件
- c++ 指针访问数组
- 怎样用Javascript定义一个类
- Python学习---抽屉框架分析[小评论分析]0315