MapReduce经典程序--WordCount

福贵儿
已于 2022-02-26 09:28:24 修改
阅读量2.2k
点赞数
分类专栏：大数据文章标签： mapreduce hadoop big data
于 2022-02-22 22:51:09 首次发布
本文链接：https://blog.youkuaiyun.com/Yushuzii/article/details/123079398
版权
大数据专栏收录该内容
46 篇文章
订阅专栏
最近在把以前写的经典程序拿出来看看，梳理一下背后的原理，在这里记录一下MR的经典程序 WC。
1. 步骤
逐行读取内容，对文本文件进行split
每个split对应一个map 进行处理 a => <a,1>
本地进行combiner操作（想当与本地reduce），相同的key进行汇总
shuffle 网络传输按key进行分发数据，相同的key在同一个reduce
reduce对数据进行聚合并落盘
2. 代码

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;

/**
 * author： 福贵儿
 * 日期： 2022年2月22日 下午22:20:03
 *  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");


//		conf.setBoolean("mapred.compress.map.output", true);
//	    conf.setClass("mapred.map.output.compression.codec",GzipCodec.class, CompressionCodec.class);


        // 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);

        /**
         * 如果没有Reducer阶段。那么设置的Combiner组件也不会起作用。
         */
//		job.setCombinerClass(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);

//		job.setNumReduceTasks(0);

        /**
         * 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 = null;
        Path outputPath = null;

        if (args.length == 2) {
            inputPath  = new Path(args[0]);
            outputPath = new Path(args[1]);
        } else {
            inputPath  = new Path("E:\\fft\\20220222\\input");
            outputPath = new Path("E:\\fft\\2022022\\output222");
//		Path inputPath = new Path("D:\\bigdata\\wordcount\\output_11_2\\");
//		Path outputPath = new Path("D:\\bigdata\\wordcount\\output_11_5");
        }

        // 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);


        // 设置最终的结果进行压缩
//		FileOutputFormat.setCompressOutput(job, true);
//      FileOutputFormat.setOutputCompressorClass(job, GzipCodec.class);

//		SequenceFileOutputFormat.setOutputCompressionType(job, SequenceFile.CompressionType.BLOCK);

        // 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>
     * <p>
     * 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
     * <p>
     * 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
     * <p>
     * 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
     * <p>
     * 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）
         * <p>
         * 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));
        }
    }
}