MapReduce编程实战1——WorldCout程序编写

//mapreduce程序
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.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.output.FileOutputFormat;

public class WordCount {

  /**
   * TokenizerMapper 继续自 Mapper<LongWritable, Text, Text, IntWritable>
   *
   * [一个文件就一个map,两个文件就会有两个map]
   * map[这里读入输入文件内容 以" \t\n\r\f" 进行分割，然后设置 word ==> one 的key/value对]
   *
   * @param Object  Input key Type:
   * @param Text    Input value Type:
   * @param Text    Output key Type:
   * @param IntWritable Output value Type:
   *
   * Writable的主要特点是它使得Hadoop框架知道对一个Writable类型的对象怎样进行serialize以及deserialize.
   * WritableComparable在Writable的基础上增加了compareT接口，使得Hadoop框架知道怎样对WritableComparable类型的对象进行排序。
   *
   * @ author liuqingjie
   *
   */
  public static class TokenizerMapper
       extends Mapper<LongWritable, Text, Text, IntWritable>{

    private final static IntWritable one = new IntWritable(1);
    private Text word = new Text();
    public void map(LongWritable 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);
      }
    }
  }

  /**
   * IntSumReducer 继承自 Reducer<Text,IntWritable,Text,IntWritable>
   *
   * [不管几个Map,都只有一个Reduce,这是一个汇总]
   * reduce[循环所有的map值,把word ==> one 的key/value对进行汇总]
   *
   * 这里的key为Mapper设置的word[每一个key/value都会有一次reduce]
   *
   * 当循环结束后，最后的确context就是最后的结果.
   *
   * @author liuqingjie
   *
   */
  public static class IntSumReducer
       extends Reducer<Text,IntWritable,Text,IntWritable> {
    private IntWritable result = new IntWritable();

    public void 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);
    }
  }

  public static void main(String[] args) throws Exception {
    Configuration conf = new Configuration();
        if (args.length != 2) {
            System.err.println("请配置路径  ");
            System.exit(2);
        }
    Job job = new Job(conf, "wordcount");
    job.setJarByClass(WordCount.class);//主类
    
    job.setMapperClass(TokenizerMapper.class);//mapper
    job.setReducerClass(IntSumReducer.class);//reducer
    
    job.setMapOutputKeyClass(Text.class);//设置map输出数据的关键类
    job.setMapOutputValueClass(IntWritable.class);//设置map输出值类
    
    job.setOutputKeyClass(Text.class);//设置作业输出数据的关键类
    job.setOutputValueClass(IntWritable.class);//设置作业输出值类
    
    FileInputFormat.addInputPath(job, new Path(otherArgs[0]));//文件输入
    FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));//文件输出
    
    System.exit(job.waitForCompletion(true) ? 0 : 1);//等待完成退出.
  }
}

编写过程分析：

（1）数据类型

       整型：IntWritable， 这是Hadoop对int的封装

       字符串型：Text，这是Hadoop对String的封装

      上下文对象：Context，它用来与MapReduce系统进行通信，如把map的结果传给reduce处理

   （2）执行过程

          分为两个阶段：map阶段和reduce阶段, 以key/value为输入输出，其中key、value的类型可以由程序员自定义。

        map编写：         

           自定义一个类，继承于基类Mapper，该基类是一个泛型，有4个形参类型：用来指定map函数的输入键、输入值，输出键、输 出值，格式如下：public class Mapper<KEYIN,VALUEIN,KEYOUT,VALUEOU>。

           根据实际需要，重写map函数，函数类型由Mapper指定。每一对<key,value>调用一次map函数。

          wordcount程序中，map方法中的value值存储的是文本文件中的一行，key值为该行的首字符相对于文本文件首字符的偏移量，在本程序中，key值未使用。StringTokenizer类是将每一行拆分为一个个的单词。

        reduce编写：

         自定义一个类，继承于基类Reducer，该基类是一个泛型，有4个形参类型：用来指定reduce函数的输入键、输入值，输出键、输出值，格式public class Reducer<KEYIN,VALUEIN,KEYOUT,VALUEOUT>，其中reduce的输入类型必须与map的输出类型一致。

         根据实际需要，重写reduce方法，方法的类型由Reducer指定。每一个key调用一次reduce方法。

        主函数编写：

       在主函数中进行作业的配置，主要配置有：

    Job job = new Job(conf, "word count");
    job.setJarByClass(WordCount.class);//主类
    
    job.setMapperClass(TokenizerMapper.class);//mapper
    job.setReducerClass(IntSumReducer.class);//reducer
    
    job.setMapOutputKeyClass(Text.class);//设置map输出数据的关键类
    job.setMapOutputValueClass(IntWritable.class);//设置map输出值类
    
    job.setOutputKeyClass(Text.class);//设置作业输出数据的关键类
    job.setOutputValueClass(IntWritable.class);//设置作业输出值类
    
    FileInputFormat.addInputPath(job, new Path(otherArgs[0]));//文件输入
    FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));//文件输出
    
    System.exit(job.waitForCompletion(true) ? 0 : 1);//等待完成退出.

(3)数据处理过程

     1）将文件拆分为splits，并由MapReduce框架自动完成分割，将每一个split分割为<key,value>对

     2）每一对<key,value>调用一次map函数，处理后生产新的<key,value>对，由Context传递给reduce处理

     3）Mapper对<key，value>对进行按key值进行排序，将key值相同的value进行合并。最后得到Mapper的最终输出结果

     4）reduce处理，处理后将新的<key,value>对输出。