如果对Hadoop- MapReduce分布式计算框架原理还不熟悉的可以先了解一下它，因为本文的wordcount程序实现就是MapReduce分而治之最经典的一个范例。
单词计数（wordcount）主要步骤：
1.读数据
2.按行处理
3.按空格切分行内单词
4.HashMap（单词，value+1）
等分给自己的数据片全部读取完之后
5.将HashMap按照首字母范围分为3个HashMap
6.将3个hashMap分别传给3个ReduceTask
主要流程如下图：
代码实现：
理解了原理，那么就从一个Job开始，从分Map任务和Reduce任务开始。用户编写的程序分为三个部分：Mapper，Reducer，Driver。
Mapper的输入数据和输出数据是KV对的形式（KV的类型可自定义），Mapper的业务逻辑是写在map（）方法中，map（）方法（maptask进程）对每一个<k,v>调用一次
Reducer的输入数据类型对应Mapper的输出数据类型，也是KV。Reducer的业务逻辑写在reduce（）方法中，Reduce（）方法对每一组相同的<k,v>组调用一次。
用户的Mapper和Reduce都要继承各自的父类。
整个程序需要一个Driver来进行提交，提交的是一个描述了各种必要信息的job对象。
1.设定Map任务：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
|
package cn.Rz_Lee.hadoop.com.mr.wordcount;import org.apache.hadoop.io.IntWritable;import org.apache.hadoop.io.LongWritable;import org.apache.hadoop.io.Text;import org.apache.hadoop.mapreduce.Mapper;import java.io.IOException;/** * Created by Rz_Lee on 2017/8/14. * KEYIN:默认情况下是mr框架所读到的一行文本的偏移量，Long * 但是在hadoop中有自己的更精简的序列化接口，所以不直接用Long，而用LongWritable * * VALUE:默认情况下是mr框架所读到的一行文本内容，String,同上用Text * *KEYOUT:是用户自定义逻辑处理写成之后输出数据中的key，在此是单词，String,同上，用Text *VALUEOUT:是用户自定义逻辑处理写成之后输出数据中的value，在此处是单词总次数，Integer，同上，用IntWritale * */public class WordCountMapper extends Mapper<LongWritable,Text,Text,IntWritable> { /** * map阶段的业务逻辑就写在自定义的map()方法中 * maptask会对每一行输入数据调用一次我们自定义的map()方法 * @param key * @param value * @param context 输出内容 * @throws IOException * @throws InterruptedException */ @Override protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException { //将maptask传给我们的文本内容先转换成String String line = value.toString(); //根据空格将一行切分成单词 String[] words = line.split(" "); //将单词输出为<单词，1> for(String word:words) { //将单词作为key，将次数1作为value,以便于后续的数据分发，可以根据单词分发经便于相同单词会到相同的reduce task context.write(new Text(word),new IntWritable(1)); } }} |
2.设定Reduce任务：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
|
package cn.Rz_Lee.hadoop.mr.wordcount;import org.apache.hadoop.io.IntWritable;import org.apache.hadoop.io.Text;import org.apache.hadoop.mapreduce.Reducer;import java.io.IOException;/**KEYIN,VALUEIN 对应mapper输出的KEYOUT,VALUEOUT类型对应 * * KYEOUT,VALUEOUT 是自定义reduce逻辑处理结果的输出数据类型 * KYEOUT是单词 * VALUE是总次数 * Created by Rz_Lee on 2017/8/14. */public class WordCountReducer extends Reducer<Text,IntWritable,Text,IntWritable>{ /** * * @param key 是一组相同单词KV对的key，如<hi,1>,<hi,1> * @param values * @param context * @throws IOException * @throws InterruptedException */ @Override protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException { int count=0; for (IntWritable value:values) { count+=value.get(); } context.write(key,new IntWritable(count)); }} |
3.wordcount程序的操作类，提交运行mr程序的yarn客户端：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
|
package cn.Rz_Lee.hadoop.com..mr.wordcount;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.lib.input.FileInputFormat;import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;/**相当于一个yarn集群的客户端 * 需要在此封装我们的mr程序相关运行参数，指定jar包 * 最后提交给yarn * Created by Rz_Lee on 2017/8/14. */public class WordCountDriver { public static void main(String[] args) throws Exception { Configuration conf = new Configuration(); Job job = Job.getInstance(conf); /*conf.set("mapreduce.framework.name","yarn"); conf.set("yarn.resourcemanager.hostname","srv01");*/ /*job.setJar("/usr/hadoop/wc.jar");*/ //指定本程序的jar包所在的本地路径 job.setJarByClass(WordCountDriver.class); //指定本业务job使用的mapper/reducer业务类 job.setMapperClass(WordCountMapper.class); job.setReducerClass(WordCountReducer.class); //指定mapper输出数据的KV类型 job.setMapOutputKeyClass(Text.class); job.setMapOutputValueClass(IntWritable.class); //指定最终输出的数据的KV类型 job.setOutputKeyClass(Text.class); job.setOutputValueClass(IntWritable.class); //指定job的输入原始文件所在目录 FileInputFormat.setInputPaths(job,new Path(args[0])); //指定job的输出结果所在目录 FileOutputFormat.setOutputPath(job, new Path(args[1])); //将job中配置的相关参数，以及job所用的java类所在的jar包，提交给yarn去运行 /*job.submit();*/ boolean res = job.waitForCompletion(true); System.exit(res?0:1); }} |
4.把wordcount项目导成jar包，上传到HDFS，运行 hadoop jar wordcount.jar 包.类名 /源文件路径 /输出数据文件夹
在yarn上面运行： yarn jar wordcount.jar 包.类名 /源文件路径 /输出数据文件夹
打开浏览器输入：yarn节点的IP:8088 ，在网页上可以看见整个Job的运行情况。