詩あ遠方

Menu

IDEA windows本地运行wordcount程序

第一步创建maven项目

第二步创建WordCountDemo类

package com.wordcountModel;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
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;

import java.io.IOException;
import java.util.StringTokenizer;

/**
 *  本地运行wordcount程序
 */
public class WordCountDemo {

    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
        //指定hdfs的相关参数
        Configuration conf = new Configuration() ;
        FileSystem fs = FileSystem.get(conf);

        //通过Configuration对象获取job对象,该job对象会组织所有的该mapreduce的所有各种组件
        Job job = Job.getInstance(conf);
        //指定jar包所在路径,本地模式需要这样指定,如果不是本地,则使用setJarByClass指定所在class文件即可
        //job.setJarByClass("wordcountJar/wordcount.jar")
        job.setJar("wordcountJar/wordcount.jar");

        //指定mapper类和reducer类
        job.setMapperClass(WordcountMapper.class);
        job.setReducerClass(WordcountReducer.class);

        //Mapper的输入key-value类型,由mapreduce框架决定
        //指定maptask的输出类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);
        // 假如 mapTask的输出key-value类型,跟reduceTask的输出key-value类型一致,那么,以上两句代码可以不用设置

        // reduceTask的输入key-value类型 就是 mapTask的输出key-value类型。所以不需要指定
        // 指定reducetask的输出类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);

        // 为job指定输入数据的组件和输出数据的组件,以下两个参数是默认的,所以不指定也是OK的
        // job.setInputFormatClass(TextInputFormat.class);
        // job.setOutputFormatClass(TextOutputFormat.class);

        // 为该mapreduce程序制定默认的数据分区组件。默认是 HashPartitioner.class
        // job.setPartitionerClass(HashPartitioner.class);

        // 指定该mapreduce程序数据的输入和输出路径
        Path inputPath = new Path("input/wordcount/");
        Path outputPath = new Path("output/wordcount/");

        // 设置该MapReduce程序的ReduceTask的个数,默认为1
        // job.setNumReduceTasks(3);

        // 该段代码是用来判断输出路径存在不存在,存在就删除,虽然方便操作,但请谨慎
        if(fs.isDirectory(outputPath)){
            fs.delete(outputPath,true);
        }

        //设置wordcount程序的输入路径
        FileInputFormat.setInputPaths(job,inputPath);
        //设置wordcount程序的输出路径
        FileOutputFormat.setOutputPath(job,outputPath);

        // job.submit();
        // 最后提交任务(verbose布尔值 决定要不要将运行进度信息输出给用户)
        boolean waitForCompletion = job.waitForCompletion(true);
        System.exit( waitForCompletion ? 0 : 1);

    }

    /**
     * Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT>
     *
     * KEYIN 是指框架读取到的数据的key的类型,在默认的InputFormat下,读到的key是一行文本的起始偏移量,所以key的类型是Long
     * VALUEIN 是指框架读取到的数据的value的类型,在默认的InputFormat下,读到的value是一行文本的内容,所以value的类型是String
     * KEYOUT 是指用户自定义逻辑方法返回的数据中key的类型,由用户业务逻辑决定,在此wordcount程序中,我们输出的key是单词,所以是String
     * VALUEOUT 是指用户自定义逻辑方法返回的数据中value的类型,由用户业务逻辑决定,在此wordcount程序中,我们输出的value是单词的数量,所以是Integer
     *
     * 但是,String ,Long等jdk中自带的数据类型,在序列化时,效率比较低,hadoop为了提高序列化效率,自定义了一套序列化框架
     * 所以,在hadoop的程序中,如果该数据需要进行序列化(写磁盘,或者网络传输),就一定要用实现了hadoop序列化框架的数据类型
     *
     * Long ----> LongWritable
     * String ----> Text
     * Integer ----> IntWritable
     * Null ----> NullWritable
     */
    public static class WordcountMapper extends Mapper<LongWritable,Text,Text,IntWritable> {

        /**
         * LongWritable key : 该key就是value该行文本的在文件当中的起始偏移量
         * Text value : 就是MapReduce框架默认的数据读取组件TextInputFormat读取文件当中的一行文本
         */
        private Text word = new Text();
        @Override
        protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
            // 切分单词
            StringTokenizer tokenizer = new StringTokenizer(value.toString());
            while (tokenizer.hasMoreTokens()){
                word.set(tokenizer.nextToken());
                // 每个单词计数一次,也就是把单词组织成<hello,1>这样的key-value对往外写出
                context.write(word,new IntWritable(1));
            }
        }
    }

    /**
     * 首先,和前面一样,Reducer类也有输入和输出,输入就是Map阶段的处理结果,输出就是Reduce最后的输出
     * reducetask在调我们写的reduce方法,reducetask应该收到了前一阶段(map阶段)中所有maptask输出的数据中的一部分
     * (数据的key.hashcode%reducetask数==本reductask号),所以reducetaks的输入类型必须和maptask的输出类型一样
     *
     * reducetask将这些收到kv数据拿来处理时,是这样调用我们的reduce方法的: 先将自己收到的所有的kv对按照k分组(根据k是否相同)
     * 将某一组kv中的第一个kv中的k传给reduce方法的key变量,把这一组kv中所有的v用一个迭代器传给reduce方法的变量values
     */
    public static class WordcountReducer extends Reducer<Text,IntWritable,Text,IntWritable> {

        /**
         * Text key : mapTask输出的key值
         * Iterable<IntWritable> values : key对应的value的集合(该key只是相同的一个key)
         *
         * reduce方法接收key值相同的一组key-value进行汇总计算
         */
        private IntWritable result = new IntWritable();
        @Override
        protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
            //结果汇总
            int sum = 0 ;
            for (IntWritable val:
                 values ) {
                sum += val.get();
            }
            //汇总的结果往外输出
            result.set(sum);
            context.write(key,result);
        }
    }
}

注意事项:wordcount程序加载配置文件的顺序为:

1、conf.set("fs.defaultFS","hdfs://hadoop01:9000");
2、通过加载配置文件:
    conf.addResource("hdfs_config/core-site.xml");
    conf.addResource("hdfs_config/hdfs-site.xml");
3、加载本地hadoop的jar包中的配置文件

所以,如果要进行本地运行wordcount程序,则使用第二种,即不需要手动配置,程序会自动加载。如果配置文件夹中已经存在已经配置好的文件,程序会优先加载配置文件夹中的配置文件。

第三步 导入jar包

这里写图片描述

第四步 运行程序

注:部分注意事项写在程序注释中。

— 于 共写了4572个字
— 文内使用到的标签:

发表评论

电子邮件地址不会被公开。 必填项已用*标注