Eclipse上运行第一个Hadoop实例 - WordCount(单词统计程序)
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
1 /** 2 * Licensed under the Apache License, Version 2.0 (the "License"); 3 * you may not use this file except in compliance with the License. 4 * You may obtain a copy of the License at 5 * 6 * http://www.apache.org/licenses/LICENSE-2.0 7 * 8 * Unless required by applicable law or agreed to in writing, software 9 * distributed under the License is distributed on an "AS IS" BASIS, 10 * WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 11 * See the License for the specific language governing permissions and 12 * limitations under the License. 13 */ 14 15 16 package org.apache.hadoop.examples; 17 18 import java.io.IOException; 19 import java.util.StringTokenizer; 20 21 //导入各种Hadoop包 22 import org.apache.hadoop.conf.Configuration; 23 import org.apache.hadoop.fs.Path; 24 import org.apache.hadoop.io.IntWritable; 25 import org.apache.hadoop.io.Text; 26 import org.apache.hadoop.mapreduce.Job; 27 import org.apache.hadoop.mapreduce.Mapper; 28 import org.apache.hadoop.mapreduce.Reducer; 29 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; 30 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; 31 import org.apache.hadoop.util.GenericOptionsParser; 32 33 // 主类 34 public class WordCount { 35 36 // Mapper类 37 public static class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable>{ 38 39 // new一个值为1的整数对象 40 private final static IntWritable one = new IntWritable(1); 41 // new一个空的Text对象 42 private Text word = new Text(); 43 44 // 实现map函数 45 public void map(Object key, Text value, Context context) throws IOException, InterruptedException { 46 47 // 创建value的字符串迭代器 48 StringTokenizer itr = new StringTokenizer(value.toString()); 49 50 // 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> 51 while (itr.hasMoreTokens()) { 52 word.set(itr.nextToken()); 53 context.write(word, one); 54 } 55 } 56 } 57 58 // Reducer类 59 public static class IntSumReducer extends Reducer<Text,IntWritable,Text,IntWritable> { 60 61 // new一个值为空的整数对象 62 private IntWritable result = new IntWritable(); 63 64 // 实现reduce函数 65 public void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException { 66 67 int sum = 0; 68 for (IntWritable val : values) { 69 sum += val.get(); 70 } 71 72 // 得到本次计算的单词的频数 73 result.set(sum); 74 75 // 输出reduce结果 76 context.write(key, result); 77 } 78 } 79 80 // 主函数 81 public static void main(String[] args) throws Exception { 82 83 // 获取配置参数 84 Configuration conf = new Configuration(); 85 String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs(); 86 87 // 检查命令语法 88 if (otherArgs.length != 2) { 89 System.err.println("Usage: wordcount <in> <out>"); 90 System.exit(2); 91 } 92 93 // 定义作业对象 94 Job job = new Job(conf, "word count"); 95 // 注册分布式类 96 job.setJarByClass(WordCount.class); 97 // 注册Mapper类 98 job.setMapperClass(TokenizerMapper.class); 99 // 注册合并类 100 job.setCombinerClass(IntSumReducer.class); 101 // 注册Reducer类 102 job.setReducerClass(IntSumReducer.class); 103 // 注册输出格式类 104 job.setOutputKeyClass(Text.class); 105 job.setOutputValueClass(IntWritable.class); 106 // 设置输入输出路径 107 FileInputFormat.addInputPath(job, new Path(otherArgs[0])); 108 FileOutputFormat.setOutputPath(job, new Path(otherArgs[1])); 109 110 // 运行程序 111 System.exit(job.waitForCompletion(true) ? 0 : 1); 112 } 113 }
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:
1 ./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:
1 ./bin/hadoop fs -ls
7. 点击"Run"运行程序。
8. 执行以下命令查看结果:
1 ./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。
郑重声明:本站内容如果来自互联网及其他传播媒体,其版权均属原媒体及文章作者所有。转载目的在于传递更多信息及用于网络分享,并不代表本站赞同其观点和对其真实性负责,也不构成任何其他建议。