IT虾米网

hadoop之wordCount详解

admin 2018年06月13日 大数据 395 0

图解MapReduce                                                                                                                                               

 

 

 

 

简历过程:                                                                                                                                                               

 

Input:

Hello World Bye World

Hello Hadoop Bye hadoop

Bye Hadoop Hello Hadoop

Map:

<Hello,1>

<World,1>

<Bye,1>

<World,1>

<Hello,1>

<Hadoop,1>

<Bye,1>

<Hadoop,1>

<Bye,1>

<Hadoop,1>

<Hello,1>

<Hadoop,1>

Sort:

<Bye,1>

<Bye,1>

<Bye,1>

<Hadoop,1>

<Hadoop,1>

<Hadoop,1>

<Hadoop,1>

<Hello,1>

<Hello,1>

<Hello,1>

<World,1>

<World,1>

Combine:

<Bye,1,1,1>

<Hadoop,1,1,1,1>

<Hello,1,1,1>

<World,1,1>

Reduce:

<Bye,3>

<Hadoop,4>

<Hello,3>

<World,2>

 

WordCount远吗

package org.apache.hadoop.examples; 
 
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.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; 
import org.apache.hadoop.util.GenericOptionsParser; 
/** 
 *  
 * 描述:WordCount explains by York 
  * @author Hadoop Dev Group 
 */ 
public class WordCount { 
    /** 
     * 建立Mapper类TokenizerMapper继承自泛型类Mapper 
     * Mapper类:实现了Map功能基类 
     * Mapper接口: 
     * WritableComparable接口:实现WritableComparable的类可以相互比较。所有被用作key的类应该实现此接口。 
     * Reporter 则可用于报告整个应用的运行进度,本例中未使用。  
     *  
     */ 
  publicstaticclass TokenizerMapper  
       extends Mapper<Object, Text, Text, IntWritable>{ 
        /** 
         * IntWritable, Text 均是 Hadoop 中实现的用于封装 Java 数据类型的类,这些类实现了WritableComparable接口, 
         * 都能够被串行化从而便于在分布式环境中进行数据交换,你可以将它们分别视为int,String 的替代品。 
     * 声明one常量和word用于存放单词的变量 
         */ 
    privatefinalstatic IntWritable one =new IntWritable(1); 
    private Text word =new Text(); 
    /** 
         * Mapper中的map方法: 
         * void map(K1 key, V1 value, Context context) 
         * 映射一个单个的输入k/v对到一个中间的k/v对 
         * 输出对不需要和输入对是相同的类型,输入对可以映射到0个或多个输出对。 
         * Context:收集Mapper输出的<k,v>对。 
         * Context的write(k, v)方法:增加一个(k,v)对到context 
         * 程序员主要编写Map和Reduce函数.这个Map函数使用StringTokenizer函数对字符串进行分隔,通过write方法把单词存入word中 
     * write方法存入(单词,1)这样的二元组到context中 
     */   
    publicvoid map(Object 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); 
      } 
    } 
  } 
   
  publicstaticclass IntSumReducer  
       extends Reducer<Text,IntWritable,Text,IntWritable> { 
    private IntWritable result =new IntWritable(); 
    /** 
         * Reducer类中的reduce方法: 
      * void reduce(Text key, Iterable<IntWritable> values, Context context) 
         * 中k/v来自于map函数中的context,可能经过了进一步处理(combiner),同样通过context输出            
         */ 
    publicvoid 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); 
    } 
  } 
 
  publicstaticvoid main(String[] args) throws Exception { 
        /** 
         * Configuration:map/reduce的j配置类,向hadoop框架描述map-reduce执行的工作 
         */ 
    Configuration conf =new Configuration(); 
    String[] otherArgs =new GenericOptionsParser(conf, args).getRemainingArgs(); 
    if (otherArgs.length !=2) { 
      System.err.println("Usage: wordcount <in> <out>"); 
      System.exit(2); 
    } 
    Job job =new Job(conf, "word count");    //设置一个用户定义的job名称 
    job.setJarByClass(WordCount.class); 
    job.setMapperClass(TokenizerMapper.class);    //为job设置Mapper类 
    job.setCombinerClass(IntSumReducer.class);    //为job设置Combiner类 
    job.setReducerClass(IntSumReducer.class);    //为job设置Reducer类 
    job.setOutputKeyClass(Text.class);        //为job的输出数据设置Key类 
    job.setOutputValueClass(IntWritable.class);    //为job输出设置value类 
    FileInputFormat.addInputPath(job, new Path(otherArgs[0]));    //为job设置输入路径 
    FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));//为job设置输出路径 
    System.exit(job.waitForCompletion(true) ?0 : 1);        //运行job 
  } 
}

WordCount逐行解析                                                                        

 

  • 对于map函数的方法。

 

public void map(Object key, Text value, Context context) throws IOException, InterruptedException {…}

  这里有三个参数,前面两个Object key, Text value就是输入的key和value,第三个参数Context context这是可以记录输入的key和value,例如:context.write(word, one);此外context还会记录map运算的状态。

  • 对于reduce函数的方法。
public void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {…}

  reduce函数的输入也是一个key/value的形式,不过它的value是一个迭代器的形式Iterable<IntWritable> values,也就是说reduce的输入是一个key对应一组的值的value,reduce也有context和map的context作用一致。

  至于计算的逻辑则需要程序员编码实现。

  • 对于main函数的调用。

  首先是:

Configuration conf = new Configuration();

  运行MapReduce程序前都要初始化Configuration,该类主要是读取MapReduce系统配置信息,这些信息包括hdfs还有MapReduce,也就是安装hadoop时候的配置文件例如:core-site.xml、hdfs-site.xml和mapred-site.xml等等文件里的信息,有些童鞋不理解为啥要这么做,这个是没有深入思考MapReduce计算框架造成,我们程序员开发MapReduce时候只是在填空,在map函数和reduce函数里编写实际进行的业务逻辑,其它的工作都是交给MapReduce框架自己操作的,但是至少我们要告诉它怎么操作啊,比如hdfs在哪里,MapReduce的jobstracker在哪里,而这些信息就在conf包下的配置文件里。

  接下来的代码是:

    String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs(); 
    if (otherArgs.length != 2) { 
      System.err.println("Usage: wordcount <in> <out>"); 
      System.exit(2); 
    }

  If的语句好理解,就是运行WordCount程序时候一定是两个参数,如果不是就会报错退出。至于第一句里的GenericOptionsParser类,它是用来解释常用hadoop命令,并根据需要为Configuration对象设置相应的值,其实平时开发里我们不太常用它,而是让类实现Tool接口,然后再main函数里使用ToolRunner运行程序,而ToolRunner内部会调用GenericOptionsParser。

  接下来的代码是:

    Job job = new Job(conf, "word count"); 
    job.setJarByClass(WordCount.class); 
    job.setMapperClass(TokenizerMapper.class); 
    job.setCombinerClass(IntSumReducer.class); 
    job.setReducerClass(IntSumReducer.class);

  第一行就是在构建一个job,在mapreduce框架里一个mapreduce任务也叫mapreduce作业也叫做一个mapreduce的job,而具体的map和reduce运算就是task了,这里我们构建一个job,构建时候有两个参数,一个是conf这个就不累述了,一个是这个job的名称。

  第二行就是装载程序员编写好的计算程序,例如我们的程序类名就是WordCount了。这里我要做下纠正,虽然我们编写mapreduce程序只需要实现map函数和reduce函数,但是实际开发我们要实现三个类,第三个类是为了配置mapreduce如何运行map和reduce函数,准确的说就是构建一个mapreduce能执行的job了,例如WordCount类。

  第三行和第五行就是装载map函数和reduce函数实现类了,这里多了个第四行,这个是装载Combiner类,这个类和mapreduce运行机制有关,其实本例去掉第四行也没有关系,但是使用了第四行理论上运行效率会更好。

  接下来的代码:

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

  这个是定义输出的key/value的类型,也就是最终存储在hdfs上结果文件的key/value的类型。

  最后的代码是:

    FileInputFormat.addInputPath(job, new Path(otherArgs[0])); 
    FileOutputFormat.setOutputPath(job, new Path(otherArgs[1])); 
    System.exit(job.waitForCompletion(true) ? 0 : 1);

  第一行就是构建输入的数据文件,第二行是构建输出的数据文件,最后一行如果job运行成功了,我们的程序就会正常退出。

 

发布评论

分享到:

IT虾米网

微信公众号号:IT虾米 (左侧二维码扫一扫)欢迎添加!

Maven环境配置及命令行打包详解
你是第一个吃螃蟹的人
发表评论

◎欢迎参与讨论,请在这里发表您的看法、交流您的观点。