MaperReduce实现WordCount程序二次排序

前期准备

• 启动Zookeeper

./zkServer.sh start

• 启动HDFS

start-dfs.sh

• 启动Yarn

start-yarn.sh

• 将要处理的数据文件上传到HDFS

  ##这里数据文件名为wordcount.txt，目标存放路径为hdfs:/wc/srcdata/

  ##在HDFS根目录下创建wc目录

  hadoop fs -mkdir /wc 

  ##创建srcdata目录

  hadoop fs -mkdir /wc/srcdata

  ##上传wordcount.txt

  hadoop fs -put wordcount.txt /wc/srcdata

  ##不需要创建输出目录，否则会报错

1. 工程结构

• 导入common核心包及其依赖包
• 导入mapreduce包及其依赖包
• 导入tools包及其依赖
  
  

2. 编写自定义NewKey类

package cn.hadoop.mr.wordcount;

import java.io.DataInput;

import java.io.DataOutput;

import java.io.IOException;

import org.apache.hadoop.io.WritableComparable;

/*

 * newKey是自定义的数据类型，要在hadoop的各个节点之间传输，应该遵循hadoop的序列化机制

 * 就必须实现hadoop相应的序列化接口

 */

public class NewKey implements WritableComparable<NewKey>{

	private String word;

	//反序列化时，反射机制需要调用空参构造函数，所以显示定义了一个空参构造函数

	public NewKey() {}

	//初始化对象

	public NewKey(String word) {

		this.word = word;

	}

	public String getWord() {

		return word;

	}

	public void setWord(String word) {

		this.word = word;

	}

	//从数据流中反序列化出对象的数据

	//从数据流中读出对象字段时，必须与序列化时的顺序一致

	@Override

	public void readFields(DataInput in) throws IOException {

				word = in.readUTF();

	}

	//将对象数据序列化到流中

	@Override

	public void write(DataOutput out) throws IOException {

		out.writeUTF(word);

	}

	@Override

	public String toString() {

		return word;

	}

	//实现倒序排序

	@Override

	public int compareTo(NewKey o) {

		return o.getWord().compareToIgnoreCase(word);

	}

}

3. 编写WCMapper类

package cn.hadoop.mr.wordcount;

import java.io.IOException;

import org.apache.commons.lang.StringUtils;

import org.apache.hadoop.io.LongWritable;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.Mapper;

//四个泛型中，前两个时指定mapper输入数据的类型，KEYIN是输入的key的类型，VALUE是输入的value的类型

//map和reduce的数据输入输出都是以key-value对的形式封装的

//默认情况下，框架传递给我们的mapper的输入数据中，key是要处理的文本中一行的起始偏移量，这一行的内容作为value

//mapreduce框架将Long类型封装为可序列化的LongWriteble类型，String封装为Text

public class WCMapper extends Mapper<LongWritable, Text, NewKey, LongWritable>{

	//mapreduce框架每读一行数据就调用一次该方法

	@Override

	protected void map(LongWritable key, Text value, Context context)

			throws IOException, InterruptedException {

		//具体的业务处理逻辑在该方法中编写，业务处理所需的数据由框架进行传递，在方法的参数中体现key-value

		//key是这一行数据的起始偏移量，value是这一行的文本内容

		//将这一行内容转化为string类型

		String line=value.toString();

		//调用Hadoop工具类对这一行文本按特定分隔符切分

		String[] words = StringUtils.split(line," ");

		//遍历单词数组输出到context中，输出为key-value形式，key为单词，value为1

		for(String word:words) {

			context.write(new NewKey(word), new LongWritable(1));

		}

	}

}

4. 编写WCReduer类

package cn.hadoop.mr.wordcount;

import java.io.IOException;

import org.apache.hadoop.io.LongWritable;

import org.apache.hadoop.mapreduce.Reducer;

public class WCReucer extends Reducer<NewKey, LongWritable, NewKey, LongWritable>{

	//框架在map处理完成之后，缓存所有k-v对，根据k进行分组（相同k为同一组）后传递<key,value{}>，对每一组k调用一次reduce方法

	//<hello,{1,1,1,1....}>

	@Override

	protected void reduce(NewKey key, Iterable<LongWritable> values, Context context) throws IOException, InterruptedException {

		long count =0;

		//遍历values进行累加求和

		for(LongWritable value : values) {

			count += value.get();

		}

		//输出这一个单词的统计结果

		context.write(key, new LongWritable(count));

	}

}

5. 编写作业描述类

package cn.hadoop.mr.wordcount;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.conf.Configured;

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.io.LongWritable;

import org.apache.hadoop.mapreduce.Job;

import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;

import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import org.apache.hadoop.util.Tool;

import org.apache.hadoop.util.ToolRunner;

/**

 * 用来描述一个特定的作业

 * 例如：

 * 指定该作业所使用的map类和reduce类；

 * 指定作业所需输入数据的存放路径；

 * 指定作业输出结果存放路径

 * @author Administrator

 *

 */

public class WCRunner extends Configured implements Tool{

	@Override

	public int run(String[] arg0) throws Exception {

		//配置文件

		Configuration conf = new Configuration();

		Job job = Job.getInstance(conf);

		//设置整个job所调用类的jar包路径

		job.setJarByClass(WCRunner.class);

		//设置该作业所使用的mapper和reducer类

		job.setMapperClass(WCMapper.class);

		job.setReducerClass(WCReucer.class);

		//指定mapper输出数据的k-v类型，和reduce输出类型一样，可缺省

		job.setMapOutputKeyClass(NewKey.class);

		job.setOutputValueClass(LongWritable.class);

		//指定reduce输出数据的k-v类型

		job.setOutputKeyClass(NewKey.class);

		job.setOutputValueClass(LongWritable.class);

		//指定输入数据存放路径

		FileInputFormat.setInputPaths(job, new Path(arg0[0]));

		//指定输出数据存放路径

		FileOutputFormat.setOutputPath(job, new Path(arg0[1]));

		//将job提交给集群运行，参数为true表示提示运行进度

		return job.waitForCompletion(true)?0:1;

	}

	public static void main(String[] args) throws Exception {

		int res = ToolRunner.run(new Configuration(), new WCRunner(), args);

		System.exit(res);

	}

}

6. 将工程打包

注：工程所使用的JDK版本必须和Hadoop所使用的JDK版本一致

``

8. 查看输出结果

##查看指定的输出路径是否生成文件

hadoop fs -ls /wc/output

##查看运行结果

hadoop fs -cat /wc/output/part-r-00000

结果如图所示