调用MapReduce进行词频统计

一、需求描述

Hadoop综合大作业 要求:

1.将待分析的文件(不少于10000英文单词)上传到HDFS。

2.调用MapReduce对文件中各个单词出现的次数进行统计。

3.将统计结果下载本地。

4.写一篇博客描述你的分析过程和分析结果。

本次大作业,我们需要实现的是调用MapReduce对文件中各个单词出现的次数进行统计。要求在Linux系统中实现上述操作。首先要安装Ubuntu系统,然后要配置Java环境,安装JDK。Ubuntu提供了一个健壮,功能丰富的计算环境。

二、环境介绍

首先在Windows下安装VMware workstationPro,然后在VMware workstationPro上安装 Ubuntu 18.04。首先,在Ubuntu18.04虚拟机上安装JDK,配置JAVA环境。然后在 Ubuntu18.04 中安装 Hadoop并且配置Hadoop伪分布式。在Eclipse官网下载Eclipse Linux版本的安装包,上传到ubuntu上安装。安装好后,把待分析的文件上传到 HDFS,然后在 Eclipse 中创建 MapReduce项目,为项目添加需要用到的 JAR 包。运行词频统计代码并且将词频统计代码打包成二进制文件,对待词频统计的文件进行词频统计

   

三、数据来源及数据上传

准备一个待分析的 10000 字英文单词文件,命名为 syj.txt。文件内容为<<老人与海>>英文前两章(如图一所示)。并且使用共享文件夹的方式将syj.txt上传到虚拟机里面。

调用MapReduce进行词频统计

图1 文件内容

文件已经上传到/home/yaco/tools/hadoop/standby目录下了

调用MapReduce进行词频统计

 

图2 上传到ubuntu虚拟机

四、数据上传结果查看

启动 hadoop,将 syj.txt 上传至 HDFS:

调用MapReduce进行词频统计                                                                图3 启动HDFS

调用MapReduce进行词频统计 图4 jps查看进程确认已经跑起来了

查看 HDFS input 文件,看是否存在syj.txt:

调用MapReduce进行词频统计

图5 查看syj.txt是否上传到了HDFS上

五、数据处理过程的描述

1、打开eclipse:

调用MapReduce进行词频统计                                                                         图6 打开eclipse

2、在 Eclipse 中创建 MapReduce 项目

调用MapReduce进行词频统计

图7

3.选择“File–>New–>Java Project”菜单,开始创建一个 Java 工程,弹出如下图所

示界面。

调用MapReduce进行词频统计

 

图8 创建一个java项目

Use defalut location 可以修改项目的保存路径,该选项可以自定义自己的保存路径,然后点击next即可。

4、为项目添加所依赖的JAR包,如图9所示,选择add terminal JARS

  • “/usr/local/hadoop/share/hadoop/common”目录下的 hadoop-common-3.1.3.jar 和 haoop-nfs-3.1.3.jar;
  • “/usr/local/hadoop/share/hadoop/common/lib”目录下的所有 JAR 包;
  • “/usr/local/hadoop/share/hadoop/mapreduce”目录下的所有 JAR 包,但是不包括 jdiff、lib、lib-examples 和 sources 目录。
  • “/usr/local/hadoop/share/hadoop/mapreduce/lib”目录下的所有 JAR 包。

调用MapReduce进行词频统计

 

图9 选择添加外部JAR包

调用MapReduce进行词频统计

 

图10 添加jar包完成

5、创建一个类,名为”WordCount”

调用MapReduce进行词频统计

 

图11 创建一个WordCount类

6、清空里面的代码,并将下述代码拷贝上去,如图12所示

import java.io.IOException;
import java.util.Iterator;
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.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;
public class WordCount {
    public WordCount() {
    }
     public static void main(String[] args) throws Exception {
        Configuration conf = new Configuration();
        String[] otherArgs = (new GenericOptionsParser(conf, args)).getRemainingArgs();
        if(otherArgs.length < 2) {
            System.err.println("Usage: wordcount <in> [<in>...] <out>");
            System.exit(2);
        }
        Job job = Job.getInstance(conf, "word count");
        job.setJarByClass(WordCount.class);
        job.setMapperClass(WordCount.TokenizerMapper.class);
        job.setCombinerClass(WordCount.IntSumReducer.class);
        job.setReducerClass(WordCount.IntSumReducer.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class); 
        for(int i = 0; i < otherArgs.length - 1; ++i) {
            FileInputFormat.addInputPath(job, new Path(otherArgs[i]));
        }
        FileOutputFormat.setOutputPath(job, new Path(otherArgs[otherArgs.length - 1]));
        System.exit(job.waitForCompletion(true)?0:1);
    }
    public static class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable> {
        private static final IntWritable one = new IntWritable(1);
        private Text word = new Text();
        public TokenizerMapper() {
        }
        public void map(Object key, Text value, Mapper<Object, Text, Text, IntWritable>.Context context) throws IOException, InterruptedException {
            StringTokenizer itr = new StringTokenizer(value.toString()); 
            while(itr.hasMoreTokens()) {
                this.word.set(itr.nextToken());
                context.write(this.word, one);
            }
        }
    }
public static class IntSumReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
        private IntWritable result = new IntWritable();
        public IntSumReducer() {
        }
        public void reduce(Text key, Iterable<IntWritable> values, Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException {
            int sum = 0;
            IntWritable val;
            for(Iterator i$ = values.iterator(); i$.hasNext(); sum += val.get()) {
                val = (IntWritable)i$.next();
            }
            this.result.set(sum);
            context.write(key, this.result);
        }
    }
}

调用MapReduce进行词频统计

 

图12 复制词频统计代码

7、点击|>按钮运行代码,如图13所示

调用MapReduce进行词频统计

  图13 运行代码

8、打包成二进制可执行文件

File->Export进入到图14界面

调用MapReduce进行词频统计                                                                         图14 Export

9、指定二进制可执行文件的路径,点击finish就在指定路径下生成可执行文件

调用MapReduce进行词频统计 

图15 指定可执行二进制文件的路径

六、处理结果的下载及命令行展示

1、进入刚刚导出的可执行文件的文件夹下的路径,查看是否存在了刚刚导出来的可执行文件

cd /home/yaco/tools/hadoop/myapp

ls

调用MapReduce进行词频统计

图16 确认已经成功导出可执行文件

2、进入hadoop目录,使用可执行文件进行词频统计

./bin/hadoop jar ./myapp/WordCount.jar input output

调用MapReduce进行词频统计 

图17 使用可执行文件进行词频统计

3、将处理结果下载到本地

bin/hdfs dfs -get output/* ./myapp/

调用MapReduce进行词频统计 

图18 将处理结果下载到本地

4、命令行展示统计结果

cd myapp/

Cat part-r-00000

调用MapReduce进行词频统计 

图19 统计结果展示

七、经验总结

通过这次的大作业,我学到了很多东西,安装hadoop伪分布式的时候,有两个小小的问题,书上可能没有提及的,一个是启动脚本需要添加指定用户的命令,另一个是在hadoop里面的环境变量的一个脚本还需要重新声明JAVA_HOME全局变量。如果hadoop伪分布式安装成功了,但是安装伪分布式的时候是指定的root用户,在mapreduce实验的时候也会出现如下问题:

跑二进制WordCount的时候没有输出,经过我的认真排查,终于发现了问题,我一开始安装hadoop的时候并不是指定hadoop用户,而是指定的root用户,所以要在文件输入的时候指定/user/root/input路径。才能成功输出词频统计结果,如果用户创建hadoop使用什么用户创建的就要指定对应的用户才能运行成功。

参考文献

[1]http://dblab.xmu.edu.cn/blog/2481-2/

[2]http://dblab.xmu.edu.cn/blog/3043-2/#more-3043

[3]http://dblab.xmu.edu.cn/blog/337-2/#more-337

[4]http://dblab.xmu.edu.cn/blog/tag/linux/

[5]http://dblab.xmu.edu.cn/blog/778-2/#more-778

上一篇:MapReduce实验——统计拨打公共服务号码的电话信息


下一篇:大数据词频统计作业