MapReduce--1--入门程序WordCount

MapReduce界的helloworld程序就是WordCount程序。所谓WordCount，就是单词计数，就是用来统计一篇或者一堆文本文件中的各单词的出现次数。

按照我们普通的编写代码的逻辑，单词计数程序应该是这样的：

1、逐行读取文本内容

2、把读取到的一行文本内容切割为一个一个的单词

3、把每个单词出现一次的信息记录为一个key-value，也就是“单词-1”

4、收集所有相同的单词，然后统计value写出的value值得总和，也就是key为同一个单词的所有1的和

以下是WordCount程序的业务逻辑图：



下面是具体代码，基本都注释，只要对MapReduce稍微有所了解，都是能看得懂，如若没看懂，可留言私聊、

package com.ghgj.mazh.mapreduce.wc.demo1;

import java.io.IOException;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
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.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
import org.apache.hadoop.mapreduce.lib.partition.HashPartitioner;

/**
* 作者： 马中华：http://blog.csdn.net/zhongqi2513
* 日期： 2017年6月29日 下午8:21:03
*
* 描述: MapReduce出入门：WordCount例子程序
*/
public class WordCountMR {

/**
* 该main方法是该mapreduce程序运行的入口，其中用一个Job类对象来管理程序运行时所需要的很多参数：
* 比如，指定用哪个组件作为数据读取器、数据结果输出器 指定用哪个类作为map阶段的业务逻辑类，哪个类作为reduce阶段的业务逻辑类
* 指定wordcount job程序的jar包所在路径 .... 以及其他各种需要的参数
*/
public static void main(String[] args) throws Exception {
// 指定hdfs相关的参数
Configuration conf = new Configuration();

// 手动设置，该MapReduce程序读取的数据来自于HDFS集群
conf.set("fs.defaultFS", "hdfs://hadoop02:9000");
// 设置运行程序的用户是hadoop用户，就是安装hadoop集群的用户。如果该程序在Hadoop集群中使用hadoop用户进行运行，则可以去掉
System.setProperty("HADOOP_USER_NAME", "hadoop");

/**
* 以上的配置信息，事实上，在实际企业生产环境中，也可以使用conf.addResource方法进行加载。
* 当然如果配置文件的名字是core/hdfs/yarn/mapred-site/default.xml的话。 那么会自动加载的。
*/
//		conf.addResource("hadoop_config/core-site.xml");
//		conf.addResource("hadoop_config/hdfs-site.xml");

// 如果想让MR程序运行在特定的YARN集群之上，则可以使用一下代码，然后，这两信息，在安装集群的配置文件中都有配置的
// conf.set("mapreduce.framework.name", "yarn");
// conf.set("yarn.resourcemanager.hostname", "hadoop04");

// 通过Configuration对象获取Job对象，该job对象会组织所有的该MapReduce程序所有的各种组件
Job job = Job.getInstance(conf);

// 设置jar包所在路径
job.setJarByClass(WordCountMR.class);

// 指定mapper类和reducer类
job.setMapperClass(WordCountMapper.class);
job.setReducerClass(WordCountReducer.class);

/**
* 指定maptask的输出类型
* Mapper的输入key-value类型，由MapReduce框架决定， 默认情况下就是 LongWritable和Text类型
*
* 假如 mapTask的输出key-value类型，跟reduceTask的输出key-value类型一致，那么，以上两句代码可以不用设置
*/
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);

/**
* 指定reducetask的输出类型
* 如果reduceTask的输入key-value类型就是 mapTask的输出key-value类型。可以不需要指定
*/
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);

// 为job指定输入数据的组件和输出数据的组件，以下两个参数是默认的，所以不指定也是OK的
job.setInputFormatClass(TextInputFormat.class);
job.setOutputFormatClass(TextOutputFormat.class);

// 为该mapreduce程序制定默认的数据分区组件。默认是 HashPartitioner.class
job.setPartitionerClass(HashPartitioner.class);

/**
* 指定该mapreduce程序数据的输入和输出路径:
* inputPath目录可以是文件，也可以是目录
* outputPath路径必须是不存在的目录
*/
Path inputPath = new Path("D:\\bigdata\\wordcount\\input\\wc.txt");
Path outputPath = new Path("D:\\bigdata\\wordcount\\output");

// 设置该MapReduce程序的ReduceTask的个数
// job.setNumReduceTasks(3);

// 该段代码是用来判断输出路径存在不存在，存在就删除，虽然方便操作，但请谨慎
FileSystem fs = FileSystem.get(conf);
if (fs.exists(outputPath)) {
fs.delete(outputPath, true);
}

// 设置wordcount程序的输入路径
FileInputFormat.setInputPaths(job, inputPath);
// 设置wordcount程序的输出路径
FileOutputFormat.setOutputPath(job, outputPath);

// job.submit();
// 最后提交任务(verbose布尔值 决定要不要将运行进度信息输出给用户)
boolean waitForCompletion = job.waitForCompletion(true);
// 主线程程序根据MapReduce程序的运行结果成功与否退出。
System.exit(waitForCompletion ? 0 : 1);
}

/**
* Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT>
*
* KEYIN 是指框架读取到的数据的key的类型，在默认的InputFormat下，读到的key是一行文本的起始偏移量，所以key的类型是Long
* VALUEIN 是指框架读取到的数据的value的类型,在默认的InputFormat下，读到的value是一行文本的内容，所以value的类型是String
* KEYOUT 是指用户自定义逻辑方法返回的数据中key的类型，由用户业务逻辑决定，在此wordcount程序中，我们输出的key是单词，所以是String
* VALUEOUT 是指用户自定义逻辑方法返回的数据中value的类型，由用户业务逻辑决定,在此wordcount程序中，我们输出的value是单词的数量，所以是Integer
*
* 但是，String ，Long等jdk中自带的数据类型，在序列化时，效率比较低，hadoop为了提高序列化效率，自定义了一套序列化框架
* 所以，在hadoop的程序中，如果该数据需要进行序列化（写磁盘，或者网络传输），就一定要用实现了hadoop序列化框架的数据类型
*
* Long ----> LongWritable
* String ----> Text
* Integer ----> IntWritable
* Null ----> NullWritable
*/
static class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {

/**
* LongWritable key : 该key就是value该行文本的在文件当中的起始偏移量
* Text value ： 就是MapReduce框架默认的数据读取组件TextInputFormat读取文件当中的一行文本
*/
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {

// 切分单词
String[] words = value.toString().split(" ");
for (String word : words) {
// 每个单词计数一次，也就是把单词组织成<hello,1>这样的key-value对往外写出
context.write(new Text(word), new IntWritable(1));
}
}
}

/**
* 首先，和前面一样，Reducer类也有输入和输出，输入就是Map阶段的处理结果，输出就是Reduce最后的输出
* reducetask在调我们写的reduce方法,reducetask应该收到了前一阶段（map阶段）中所有maptask输出的数据中的一部分
* （数据的key.hashcode%reducetask数==本reductask号），所以reducetaks的输入类型必须和maptask的输出类型一样
*
* reducetask将这些收到kv数据拿来处理时，是这样调用我们的reduce方法的： 先将自己收到的所有的kv对按照k分组（根据k是否相同）
* 将某一组kv中的第一个kv中的k传给reduce方法的key变量，把这一组kv中所有的v用一个迭代器传给reduce方法的变量values
*/
static class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {

/**
* Text key : mapTask输出的key值
* Iterable<IntWritable> values ： key对应的value的集合（该key只是相同的一个key）
*
* reduce方法接收key值相同的一组key-value进行汇总计算
*/
@Override
protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {

// 结果汇总
int sum = 0;
for (IntWritable v : values) {
sum += v.get();
}
// 汇总的结果往外输出
context.write(key, new IntWritable(sum));
}
}
}

后面还会有陆续的MapReduce的各种典型业务场景的代码实现。敬请关注