MapReduce 实现统计单数出现次数

工程配置

1. 在 windows 中配置 hadoop 及环境变量 HADOOP_
   下载 winutils.exe 放入 bin目录中
   https://github.com/cdarlint/winutils

2. 创建 maven 工程 引入依赖

   <dependency>
       <groupId>org.apache.hadoop</groupId>
       <artifactId>hadoop-client</artifactId>
       <version>2.10.1</version>
   </dependency>
   <dependency>
       <groupId>org.apache.logging.log4j</groupId>
       <artifactId>log4j</artifactId>
       <version>2.14.1</version>
   </dependency>

3. 编写 log4j 配置文件
   参考：https://www.cnblogs.com/orginly/p/14847470.html

整体思路

仿照源码

Map 阶段

1. map()方法中把传入的数据转为 String 类型
2. 根据空格切分出单词
3. 输出<单词,1>

package com.orginly.mapreduce.wc;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;

/**
 * 单词记数
 * 继承 Mapper 类
 * Mapper 类的泛型参数共4个 两个key value
 * 第一对kv：map输入参数类型 (LongWritable, Text 文本偏移量,一行文本内容)
 * 第二对kv：map输出参数类型 (Text, IntWritable 单词,1)
 */
public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {

    // 提升为成员变量避免每次执行 map 方法时都创建一次对象
    private final Text word = new Text();
    private final IntWritable intWritable = new IntWritable(1);

    /**
     * map 方法的输入参数，一行文本就调用一次 map 方法
     *
     * @param key     文本偏移量
     * @param value   一行文本内容
     * @param context
     */
    @Override
    protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, IntWritable>.Context context) throws IOException, InterruptedException {
        // 1. 接收到文本内容，转为String 类型
        String str = value.toString();
        // 2. 按照空格进行拆分单词
        String[] words = str.split(" ");
        // 3. 输出<单词,1>
        for (String s : words) {
            word.set(s);
            context.write(word, intWritable);
        }

    }
}

Reduce 阶段

1. 总各个key(单词)的个数，遍历 value 数据进行累加
2. 输出 key 的总数

package com.orginly.mapreduce.wc;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;

/**
 * 继承 Reducer 类
 * 有四个泛型，两对 kv
 * 第一对kv要与 Mapper 输出类型一致 (Text,IntWritable)
 * 第二对kv自己设计决定输出结果数据是什么类型
 */
public class WordCountReduce extends Reducer<Text, IntWritable, Text, IntWritable> {

    private IntWritable total = new IntWritable();

    /**
     * 假设 map 方法 执行三次得到：hello,1 hello,1 hello,1
     * reduce 的 key => hello, values => <1,1,1>
     * <p>
     * 假设 map 方法得到 hello,1 hello,1 hello,1 hadoop,1 reduce,1 hadoop,1
     * reduce 方法何时调用：一组 key 相同的 kv 中 value 组成然后调用一次 reduce
     * 第一次：key => hello, values => <1,1,1>
     * 第一次：key => hadoop, values => <1,1>
     * 第三次：key => reduce, values => <1>
     *
     * @param key     方法输出的key本案例中就是单词
     * @param values  一组key相同的kv的value组成的集合
     * @param context
     * @throws IOException
     * @throws InterruptedException
     */
    @Override
    protected void reduce(Text key, Iterable<IntWritable> values, Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException {
        // 遍历 key 对应的 values 进行累加
        int sum = 0;
        for (IntWritable value : values) {
            sum += value.get();
        }
        // 直接输出当前 key 对应的 sum 值，结果就是单词出现的总次数
        total.set(sum);
        context.write(key,total);
    }
}

Driver

1. 获取配置文件对象,获取 job 对象实例
2. 指定程序 jar 的本地路径
3. 指定 Mapper / Reduce类
4. 指定 Mapper 输出的 kv 数据类型
5. 指定 最终输出的 kv 数据类型
6. 指定 job 处理的原始数据路径
7. 指定 job 输出结果路径
8. 提交作业

package com.orginly.mapreduce.wc;

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;

import java.io.IOException;

/**
 * 封装任务并提交运行
 */
public class WordCountDriver {

    public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {
        // 1. 获取配置文件对象,获取 job 对象实例
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf, "WordCountDriver");
        // 2. 指定程序 jar 的本地路径
        job.setJarByClass(WordCountDriver.class);
        // 3. 指定 Mapper / Reduce类
        job.setMapperClass(WordCountMapper.class);
        job.setReducerClass(WordCountReduce.class);
        // 4. 指定 Mapper 输出的 kv 数据类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);
        // 5. 指定最终输出的 kv 数据类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);
        // 6. 指定 job 处理的原始数据路径
        FileInputFormat.setInputPaths(job, new Path(args[0]));
        // 7. 指定 job 输出结果路径
        FileOutputFormat.setOutputPath(job, new Path(args[1]));
        // 8. 提交作业
        boolean flag = job.waitForCompletion(true);// 等待完成 true为完成
        System.exit(flag ? 0 : 1);
    }

}

验证程序

本地验证

使用 IDEA 运行 Drive 中的 main() 方法
如果出现其他异常请查看 https://www.cnblogs.com/orginly/p/15392871.html

1. 先自动运行一次，此时会 args 下标异常
   
2. 编辑运行配置添加参数
   
3. 重新运行
   
   

Yarn 集群验证

1. 把程序打成 jar 包,改名为 wordCount.jar 上传到 Hadoop 集群

# 上传到服务器
rz
# 重命名
mv wordCount-1.0-SNAPSHOT.jar wordCount.jar

2. 启动 Hadoop 集群(Hdfs,Yarn)
3. 使用 Hadoop 命令提交任务运行

因为是集群，源文件不能存放在本地目录，需要上传至 HFDS 进行处理

hadoop jar wordCount.jar com.orginly.mapreduce.wc.WordCountDriver /mapReduce/wc.txt /wcoutput

执行成功

如果执行命令时出现版本过低提示，请安装服务器所使用的 jdk 版本进行 jar 的打包