8、MapReduce实现WordCount单词统计

古城微笑少年丶 2023-06-18 10:51 66阅读 0赞

### 文章目录 ###

*  一、Mapper阶段
 *  二、Reduce阶段
 *  三、Driver阶段
 *  四、集群测试

MapReduce分布式计算包含两个阶段：Mapper和Reduce。一个完整的MapReduce程序在分布式计算时包括三类实例进程：

*  MrAppMaster:负责整个程序的过程调度及状态协调；
 *  MapTask:负责Map阶段整个数据处理流程；
 *  ReduceTask:负责Reduce阶段整个数据处理流程。

MapReduce的两个阶段中：第一个阶段的MapTask并发实例，完全并行运行，互不相干；第二个阶段的ReduceTask并发实例互不相干，但是他们的数据依赖于上一个阶段的所有MapTask并发实例的输出。Reduce阶段需要等Map阶段处理完毕才会执行，所以大量数据要临时放在内存中。

案例：下面通过MapReduce实现统计一个文件中单词出现的频率。

# 一、Mapper阶段 #

*  用户自定义的Mapper要集成hadoop提供的Mapper类；
 *  Mapper的输入数据形式是KV键值对的形式，KV的类型可以自定义；
 *  Mapper的处理流程写在map方法中；
 *  Mapper的输出时KV键值对的形式，KV类型可以自定义；
 *  MapTask进程执行map方法时，对每一个KV调用一次，例如如果指定KV为<LongWritable, Text>，LongWritable表示每行，Text表示每行的内容，MapTask会对每行内容调用一次map方法。

```java
    package com.lzj.hadoop.wordcount;
    
    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;
    
    /* * LongWritable - 表示读取第几行 * Text - 表示读取一行的内容 * Text - 表示输出的键 * IntWritable - 表示输出的键对应的个数 * */
    
    public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable>{ 
    	
    	Text k = new Text(); 					//键
    	IntWritable v = new IntWritable(1); 	//值(值为1)
    	
    	/*context设置输出*/
    	@Override
    	protected void map(LongWritable key, Text value, Context context)
    			throws IOException, InterruptedException { 
    		/*1、获取读取一行的内容*/
    		String line = value.toString();
    		
    		/*2、按空格切割读取的单词*/
    		String[] words = line.split(" ");
    		
    		/*3、输出mapper处理完的内容*/
    		for(String word : words) { 
    			/*给键设置值*/
    			k.set(word); 
    			/*把mapper处理后的键值对写到context中*/
    			context.write(k, v);
    		}
    	}
    }

# 二、Reduce阶段 #

*  用户自定义的Reducer类要继承hadoop提供的Reducer基类；
 *  Reducer的输入数据对应Mapper的输出数据，即为KV对形式；
 *  Reducer的处理流程写在reduce方法中；
 *  ReduceTask对每一组KV相同的K相同的执行一次reduce方法。

package com.lzj.hadoop.wordcount;
    
    import java.io.IOException;
    import org.apache.hadoop.io.IntWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Reducer;
    
    /* * Text - 输入的键（即Mapper阶段输出的键） * IntWritable - 输入的值(个数)(即Mapper阶段输出的值) * Text - 输出的键 * IntWritable - 输出的值 * */
    public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable>{ 
    	
    	/*text为输入的键，value为输入的内容*/
    	@Override
    	protected void reduce(Text text, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException { 
    		/*1、统计键对应的个数*/
    		int sum = 0;
    		for(IntWritable value : values) { 
    			sum = sum + value.get();
    		}
    		
    		/*2、设置reducer的输出*/
    		IntWritable v = new IntWritable();
    		v.set(sum);
    		context.write(text, v);
    	}
    }

# 三、Driver阶段 #

相当于yarn集群的客户端，用于提交我们整个程序到yarn集群，提交的是封装了MapReduce程序相关运行参数的job对象。

package com.lzj.hadoop.wordcount;
    
    import java.io.IOException;
    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;
    
    public class WordCountDriver { 
    
    	public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException { 
    		/*1、获取job的配置信息*/
    		Configuration conf = new Configuration();
    		Job job = Job.getInstance(conf);
    		
    		/*2、设置jar的加载路径*/
    		job.setJarByClass(WordCountDriver.class);
    		
    		/*3、分别设置Mapper和Reducer类*/
    		job.setMapperClass(WordCountMapper.class);
    		job.setReducerClass(WordCountReducer.class);
    		
    		/*4、设置map的输出类型*/
    		job.setMapOutputKeyClass(Text.class);
    		job.setMapOutputValueClass(IntWritable.class);
    		
    		/*5、设置最终输出的键值类型*/
    		job.setOutputKeyClass(Text.class);
    		job.setOutputValueClass(IntWritable.class);
    		
    		/*6、设置输入输出路径*/
    		FileInputFormat.setInputPaths(job, new Path("D:/tmp/WordCountIn.txt"));
    		FileOutputFormat.setOutputPath(job, new Path("D:/tmp/WordCountOut"));
    		
    		/*7、提交任务*/
    		boolean flag = job.waitForCompletion(true);
    		System.out.println("flag : " + flag);
    		
    	}
    }

测试，WordCountIn.txt文件中内容为：

zhang xue you
    xie ting feng
    zhang xin zhe
    yu cheng qing
    xiong nai jin
    bao jian feng
    zhang jie
    zhang san feng

执行程序之后，WordCountOut目录下，打开part-r-00000，内容如下：

bao	1
    cheng	1
    feng	3
    jian	1
    jie	1
    jin	1
    nai	1
    qing	1
    san	1
    ting	1
    xie	1
    xin	1
    xiong	1
    xue	1
    you	1
    yu	1
    zhang	4
    zhe	1

# 四、集群测试 #

下面把上述代码打包成jar，放到hadoop集群上进行运行，修改WordCountDriver类中输入文件和输出文件路径，设置成参数形式，便于测试

/*6、设置输入输出路径*/
    FileInputFormat.setInputPaths(job, new Path(args[0]));
    FileOutputFormat.setOutputPath(job, new Path(args[1]));

通过maven打包成jar，pom依赖如下：

<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
      <modelVersion>4.0.0</modelVersion>
      <groupId>com.lzj</groupId>
      <artifactId>hdfs</artifactId>
      <version>0.0.1-SNAPSHOT</version>
      
    	<dependencies>
    		<dependency>
    			<groupId>junit</groupId>
    			<artifactId>junit</artifactId>
    			<version>RELEASE</version>
    		</dependency>
    		<dependency>
    			<groupId>org.apache.logging.log4j</groupId>
    			<artifactId>log4j-core</artifactId>
    			<version>2.8.2</version>
    		</dependency>
    		<dependency>
    			<groupId>org.apache.hadoop</groupId>
    			<artifactId>hadoop-common</artifactId>
    			<version>2.7.2</version>
    		</dependency>
    		<dependency>
    			<groupId>org.apache.hadoop</groupId>
    			<artifactId>hadoop-client</artifactId>
    			<version>2.7.2</version>
    		</dependency>
    		<dependency>
    			<groupId>org.apache.hadoop</groupId>
    			<artifactId>hadoop-hdfs</artifactId>
    			<version>2.7.2</version>
    		</dependency>
    		<dependency>
    			<groupId>jdk.tools</groupId>
    			<artifactId>jdk.tools</artifactId>
    			<version>1.8</version>
    			<scope>system</scope>
    			<systemPath>${ JAVA_HOME}/lib/tools.jar</systemPath>
    		</dependency>
    		
    	</dependencies>
    	
    	<build>
    		<plugins>
    			<plugin>
    				<artifactId>maven-compiler-plugin</artifactId>
    				<version>2.3.2</version>
    				<configuration>
    					<source>1.8</source>
    					<target>1.8</target>
    				</configuration>
    			</plugin>
    			<plugin>
    				<artifactId>maven-assembly-plugin </artifactId>
    				<configuration>
    					<descriptorRefs>
    						<descriptorRef>jar-with-dependencies</descriptorRef>
    					</descriptorRefs>
    					<archive>
    						<manifest>
    							<mainClass>com.lzj.hadoop.wordcount.WordCountDriver</mainClass>
    						</manifest>
    					</archive>
    				</configuration>
    				<executions>
    					<execution>
    						<id>make-assembly</id>
    						<phase>package</phase>
    						<goals>
    							<goal>single</goal>
    						</goals>
    					</execution>
    				</executions>
    			</plugin>
    		</plugins>
    	</build>
      
    </project>

执行maven install， 把生成的jar重命名成wordcount.jar，放到集群上，然后把测试的输入文件WordCountIn.txt文件放置到HDFS上的/user/lzj目录下，下面在hadoop集群中执行该jar

hadoop jar wordcount.jar  com.lzj.hadoop.wordcount.WordCountDriver /user/lzj/WordCountIn.txt /user/lzj/output

执行成功后会在hdfs上/user/lzj/output目录下生成结果。