需求
计算出文件中每个单词的频数。要求输出结果按照单词的字母顺序进行排序。每个单词和其频数占一行,单词和频数之间有间隔。
比如,输入两个文件,其一内容如下:
hello world
hello hadoop
hello mapreduce
另一内容如下:
bye world
bye hadoop
bye mapreduce
对应上面给出的输入样例,其输出样例为:
bye 3
hadoop 2
hello 3
mapreduce 2
world 2
方案制定
对该案例,可设计出如下的MapReduce方案:
1. Map阶段各节点完成由输入数据到单词切分再到单词搜集的工作
2. shuffle阶段完成相同单词的聚集再到分发到各个Reduce节点的工作 (shuffle阶段是MapReduce的默认过程)
3. Reduce阶段负责接收所有单词并计算各自频数
代码示例
/** * Licensed under the Apache License, Version 2.0 (the "License"); * you may not use this file except in compliance with the License. * You may obtain a copy of the License at * * http://www.apache.org/licenses/LICENSE-2.0 * * Unless required by applicable law or agreed to in writing, software * distributed under the License is distributed on an "AS IS" BASIS, * WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. * See the License for the specific language governing permissions and * limitations under the License. */ package org.apache.hadoop.examples; import java.io.IOException; import java.util.StringTokenizer; //导入各种Hadoop包 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; // 主类 public class WordCount { // Mapper类 public static class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable>{ // new一个值为1的整数对象 private final static IntWritable one = new IntWritable(1); // new一个空的Text对象 private Text word = new Text(); // 实现map函数 public void map(Object key, Text value, Context context) throws IOException, InterruptedException { // 创建value的字符串迭代器 StringTokenizer itr = new StringTokenizer(value.toString()); // 对数据进行再次分割并输出map结果。初始格式为<字节偏移量,单词> 目标格式为<单词,频率> while (itr.hasMoreTokens()) { word.set(itr.nextToken()); context.write(word, one); } } } // Reducer类 public static class IntSumReducer extends Reducer<Text,IntWritable,Text,IntWritable> { // new一个值为空的整数对象 private IntWritable result = new IntWritable(); // 实现reduce函数 public void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException { int sum = 0; for (IntWritable val : values) { sum += val.get(); } // 得到本次计算的单词的频数 result.set(sum); // 输出reduce结果 context.write(key, result); } } // 主函数 public static void main(String[] args) throws Exception { // 获取配置参数 Configuration conf = new Configuration(); String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs(); // 检查命令语法 if (otherArgs.length != 2) { System.err.println("Usage: wordcount <in> <out>"); System.exit(2); } // 定义作业对象 Job job = new Job(conf, "word count"); // 注册分布式类 job.setJarByClass(WordCount.class); // 注册Mapper类 job.setMapperClass(TokenizerMapper.class); // 注册合并类 job.setCombinerClass(IntSumReducer.class); // 注册Reducer类 job.setReducerClass(IntSumReducer.class); // 注册输出格式类 job.setOutputKeyClass(Text.class); job.setOutputValueClass(IntWritable.class); // 设置输入输出路径 FileInputFormat.addInputPath(job, new Path(otherArgs[0])); FileOutputFormat.setOutputPath(job, new Path(otherArgs[1])); // 运行程序 System.exit(job.waitForCompletion(true) ? 0 : 1); } }
运行方法
1. 打开Eclipse并启动Hdfs (方法请参考前文)
2. 新建一个MapReduce工程:”file" -> "new" -> "project",然后选择 "Map/Reduce Project"
3. 设置输入目录及文件
在项目工程包里面新建一个名为input的目录,里面存放需要处理的输入文件。这里选用2个文件名分别为file01和file02的文件进行测试。文件内容同需求示例。
4. 将输入文件传输入Hdfs
在终端输入以下命令即可将整个目录传输进Hdfs(input目录下的所有文件将会被送进Hdfs下名为input01的目录里),请根据MapReduce工程包实际路径对如下命令略作修改即可:
./bin/hadoop fs -put ../workspace/Hadoop_t1/input/ input01
5. 在工程包中新建一个WordCount类并将上面的源代码拷贝进去。
6. 调整项目运行参数:右键项目 -> “Run As" -> ”Run Configurations"
需要添加的就是"Program arguments"下的那些代码。它们其实是作为命令行参数传递进程序的,第一段是输入文件路径;第二段是输出文件路径。
路径的格式为 "[主机IP地址:hdfs端口] + [输入/输出目录在hdfs中的路径]"。
可以输入以下命令查看输入目录路径:
./bin/hadoop fs -ls
7. 点击"Run"运行程序。
8. 执行以下命令查看结果:
./bin/hadoop fs -cat output01/*
这些主机和Hdfs的文件传递,显示也可以使用Eclipse,更方便容易。在此就不提了。
小结
1. 多多熟练Hadoop平台下MapReduce项目基本创建流程。
2. WordCount是一个很经典的Hadoop示例,它虽然简单,但具有很大的代表性。
3. 从某个程度上来说也反映了其设计的初衷,对日志文件的分析。