WordCount源码分析

3.1 特别数据类型介绍

　　Hadoop提供了如下内容的数据类型，这些数据类型都实现了WritableComparable接口，以便用这些类型定义的数据可以被序列化进行网络传输和文件存储，以及进行大小比较。BooleanWritable：标准布尔型数值ByteWritable：单字节数值DoubleWritable：双字节数FloatWritable：浮点数IntWritable：整型数LongWritable：长整型数Text：使用UTF8格式存储的文本NullWritable：当<key,value>中的key或value为空时使用

3.2 旧的WordCount分析

　　1）源代码程序package org.apache.hadoop.examples;import java.io.IOException;import java.util.Iterator;import java.util.StringTokenizer;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.mapred.FileInputFormat;import org.apache.hadoop.mapred.FileOutputFormat;import org.apache.hadoop.mapred.JobClient;import org.apache.hadoop.mapred.JobConf;import org.apache.hadoop.mapred.MapReduceBase;import org.apache.hadoop.mapred.Mapper;import org.apache.hadoop.mapred.OutputCollector;import org.apache.hadoop.mapred.Reducer;import org.apache.hadoop.mapred.Reporter;import org.apache.hadoop.mapred.TextInputFormat;import org.apache.hadoop.mapred.TextOutputFormat;public class WordCount {public static class Map extends MapReduceBase implementsMapper<LongWritable, Text, Text, IntWritable> {private final static IntWritable one = new IntWritable(1);private Text word = new Text();public void map(LongWritable key, Text value,OutputCollector<Text, IntWritable> output, Reporter reporter)throws IOException {String line = value.toString();StringTokenizer tokenizer = new StringTokenizer(line);while (tokenizer.hasMoreTokens()) {word.set(tokenizer.nextToken());output.collect(word, one);}}}public static class Reduce extends MapReduceBase implementsReducer<Text, IntWritable, Text, IntWritable> {public void reduce(Text key, Iterator<IntWritable> values,OutputCollector<Text, IntWritable> output, Reporter reporter)throws IOException {int sum = 0;while (values.hasNext()) {sum += values.next().get();}output.collect(key, new IntWritable(sum));}}public static void main(String[] args) throws Exception {JobConf conf = new JobConf(WordCount.class);conf.setJobName("wordcount");conf.setOutputKeyClass(Text.class);conf.setOutputValueClass(IntWritable.class);conf.setMapperClass(Map.class);conf.setCombinerClass(Reduce.class);conf.setReducerClass(Reduce.class);conf.setInputFormat(TextInputFormat.class);conf.setOutputFormat(TextOutputFormat.class);FileInputFormat.setInputPaths(conf, new Path(args[0]));FileOutputFormat.setOutputPath(conf, new Path(args[1]));JobClient.runJob(conf);}}　　3）主方法Main分析public static void main(String[] args) throws Exception {JobConf conf = new JobConf(WordCount.class);conf.setJobName("wordcount");conf.setOutputKeyClass(Text.class);conf.setOutputValueClass(IntWritable.class);conf.setMapperClass(Map.class);conf.setCombinerClass(Reduce.class);conf.setReducerClass(Reduce.class);conf.setInputFormat(TextInputFormat.class);conf.setOutputFormat(TextOutputFormat.class);FileInputFormat.setInputPaths(conf, new Path(args[0]));FileOutputFormat.setOutputPath(conf, new Path(args[1]));JobClient.runJob(conf);}　　首先讲解一下Job的初始化过程。main函数调用Jobconf类来对MapReduceJob进行初始化，然后调用setJobName()方法命名这个Job。对Job进行合理的命名有助于更快地找到Job，以便在JobTracker和Tasktracker的页面中对其进行监视。JobConf conf = new JobConf(WordCount. class ); conf.setJobName("wordcount" );　　接着设置Job输出结果<key,value>的中key和value数据类型，因为结果是<单词,个数>，所以key设置为"Text"类型，相当于Java中String类型。Value设置为"IntWritable"，相当于Java中的int类型。conf.setOutputKeyClass(Text.class );conf.setOutputValueClass(IntWritable.class );　　然后设置Job处理的Map（拆分）、Combiner（中间结果合并）以及Reduce（合并）的相关处理类。这里用Reduce类来进行Map产生的中间结果合并，避免给网络数据传输产生压力。conf.setMapperClass(Map.class );conf.setCombinerClass(Reduce.class );conf.setReducerClass(Reduce.class );　　接着就是调用setInputPath()和setOutputPath()设置输入输出路径。conf.setInputFormat(TextInputFormat.class );conf.setOutputFormat(TextOutputFormat.class );　　（1）InputFormat和InputSplit　　InputSplit是Hadoop定义的用来传送给每个单独的map的数据，InputSplit存储的并非数据本身，而是一个分片长度和一个记录数据位置的数组。生成InputSplit的方法可以通过InputFormat()来设置。　　当数据传送给map时，map会将输入分片传送到InputFormat，InputFormat则调用方法getRecordReader()生成RecordReader，RecordReader再通过creatKey()、creatValue()方法创建可供map处理的<key,value>对。简而言之，InputFormat()方法是用来生成可供map处理的<key,value>对的。　　Hadoop预定义了多种方法将不同类型的输入数据转化为map能够处理的<key,value>对，它们都继承自InputFormat，分别是：InputFormat||---BaileyBorweinPlouffe.BbpInputFormat|---ComposableInputFormat|---CompositeInputFormat|---DBInputFormat|---DistSum.Machine.AbstractInputFormat|---FileInputFormat|---CombineFileInputFormat|---KeyValueTextInputFormat|---NLineInputFormat|---SequenceFileInputFormat|---TeraInputFormat|---TextInputFormat　　其中TextInputFormat是Hadoop默认的输入方法，在TextInputFormat中，每个文件（或其一部分）都会单独地作为map的输入，而这个是继承自FileInputFormat的。之后，每行数据都会生成一条记录，每条记录则表示成<key,value>形式：key值是每个数据的记录在数据分片中字节偏移量，数据类型是LongWritable；　　value值是每行的内容，数据类型是Text。　　（2）OutputFormat　　每一种输入格式都有一种输出格式与其对应。默认的输出格式是TextOutputFormat，这种输出方式与输入类似，会将每条记录以一行的形式存入文本文件。不过，它的键和值可以是任意形式的，因为程序内容会调用toString()方法将键和值转换为String类型再输出。　　3）Map类中map方法分析public static class Map extends MapReduceBase implementsMapper<LongWritable, Text, Text, IntWritable> {private final static IntWritable one = new IntWritable(1);private Text word = new Text();public void map(LongWritable key, Text value,OutputCollector<Text, IntWritable> output, Reporter reporter)throws IOException {String line = value.toString();StringTokenizer tokenizer = new StringTokenizer(line);while (tokenizer.hasMoreTokens()) {word.set(tokenizer.nextToken());output.collect(word, one);}}}

　　Map类继承自MapReduceBase，并且它实现了Mapper接口，此接口是一个规范类型，它有4种形式的参数，分别用来指定map的输入key值类型、输入value值类型、输出key值类型和输出value值类型。在本例中，因为使用的是TextInputFormat，它的输出key值是LongWritable类型，输出value值是Text类型，所以map的输入类型为<LongWritable,Text>。在本例中需要输出<word,1>这样的形式，因此输出的key值类型是Text，输出的value值类型是IntWritable。　　实现此接口类还需要实现map方法，map方法会具体负责对输入进行操作，在本例中，map方法对输入的行以空格为单位进行切分，然后使用OutputCollect收集输出的<word,1>。　　4）Reduce类中reduce方法分析public static class Reduce extends MapReduceBase implementsReducer<Text, IntWritable, Text, IntWritable> {public void reduce(Text key, Iterator<IntWritable> values,OutputCollector<Text, IntWritable> output, Reporter reporter)throws IOException {int sum = 0;while (values.hasNext()) {sum += values.next().get();}output.collect(key, new IntWritable(sum));}}

　　Reduce类也是继承自MapReduceBase的，需要实现Reducer接口。Reduce类以map的输出作为输入，因此Reduce的输入类型是<Text，Intwritable>。而Reduce的输出是单词和它的数目，因此，它的输出类型是<Text,IntWritable>。Reduce类也要实现reduce方法，在此方法中，reduce函数将输入的key值作为输出的key值，然后将获得多个value值加起来，作为输出的值。

3.3 新的WordCount分析

　　1）源代码程序package org.apache.hadoop.examples;import java.io.IOException;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 static class TokenizerMapper　　　　　　extends Mapper<Object, Text, Text, IntWritable>{　　　　　　private final static IntWritable one = new IntWritable(1);　　　　　　private Text word = new Text();　　　　　　public void map(Object key, Text value, Context context)　　　　　　　　throws IOException, InterruptedException {　　　　　　　　StringTokenizer itr = new StringTokenizer(value.toString());　　　　　　　　while (itr.hasMoreTokens()) {　　　　　　　　word.set(itr.nextToken());　　　　　　　　context.write(word, one);　　　　　　}　　　　}　　}　　public static class IntSumReducer　　　　　　extends Reducer<Text,IntWritable,Text,IntWritable> {　　　　　　private IntWritable result = new IntWritable();　　　　　　public void reduce(Text key, Iterable<IntWritable> values,Context context)　　　　　　　　　　 throws IOException, InterruptedException {　　　　　　　　int sum = 0;　　　　　　　　for (IntWritable val : values) {　　　　　　　　　　　sum += val.get();　　　　　　　　}　　　　　　result.set(sum);　　　　　　context.write(key, result);　　　　}　　}　　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> <out>");　　　　　　System.exit(2);　　　　}　　　　Job job = new Job(conf, "word count");　　　　job.setJarByClass(WordCount.class);　　　　job.setMapperClass(TokenizerMapper.class);　　　　job.setCombinerClass(IntSumReducer.class);　　　　job.setReducerClass(IntSumReducer.class);　　　　job.setOutputKeyClass(Text.class);　　　　job.setOutputValueClass(IntWritable.class);　　　　FileInputFormat.addInputPath(job, new Path(otherArgs[0]));　　　　FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));　　　　System.exit(job.waitForCompletion(true) ? 0 : 1);}}　 1）Map过程public static class TokenizerMapper　　extends Mapper<Object, Text, Text, IntWritable>{　　private final static IntWritable one = new IntWritable(1);　　private Text word = new Text();　　public void map(Object key, Text value, Context context)　　　　throws IOException, InterruptedException {　　　　StringTokenizer itr = new StringTokenizer(value.toString());　　　　while (itr.hasMoreTokens()) {　　　　　　word.set(itr.nextToken());　　　　　　context.write(word, one);　　}}　　Map过程需要继承org.apache.hadoop.mapreduce包中Mapper类，并重写其map方法。通过在map方法中添加两句把key值和value值输出到控制台的代码，可以发现map方法中value值存储的是文本文件中的一行（以回车符为行结束标记），而key值为该行的首字母相对于文本文件的首地址的偏移量。然后StringTokenizer类将每一行拆分成为一个个的单词，并将<word,1>作为map方法的结果输出，其余的工作都交有MapReduce框架处理。2）Reduce过程public static class IntSumReducer　　extends Reducer<Text,IntWritable,Text,IntWritable> {　　private IntWritable result = new IntWritable();　　public void reduce(Text key, Iterable<IntWritable> values,Context context)　　　　 throws IOException, InterruptedException {　　　　int sum = 0;　　　　for (IntWritable val : values) {　　　　　　sum += val.get();　　　　}　　　　result.set(sum);　　　　context.write(key, result);　　}}

　　Reduce过程需要继承org.apache.hadoop.mapreduce包中Reducer类，并重写其reduce方法。Map过程输出<key,values>中key为单个单词，而values是对应单词的计数值所组成的列表，Map的输出就是Reduce的输入，所以reduce方法只要遍历values并求和，即可得到某个单词的总次数。3）执行MapReduce任务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> <out>");　　　　System.exit(2);　　}　　Job job = new Job(conf, "word count");　　job.setJarByClass(WordCount.class);　　job.setMapperClass(TokenizerMapper.class);　　job.setCombinerClass(IntSumReducer.class);　　job.setReducerClass(IntSumReducer.class);　　job.setOutputKeyClass(Text.class);　　job.setOutputValueClass(IntWritable.class);　　FileInputFormat.addInputPath(job, new Path(otherArgs[0]));　　FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));　　System.exit(job.waitForCompletion(true) ? 0 : 1);}

　　在MapReduce中，由Job对象负责管理和运行一个计算任务，并通过Job的一些方法对任务的参数进行相关的设置。此处设置了使用TokenizerMapper完成Map过程中的处理和使用IntSumReducer完成Combine和Reduce过程中的处理。还设置了Map过程和Reduce过程的输出类型：key的类型为Text，value的类型为IntWritable。任务的输出和输入路径则由命令行参数指定，并由FileInputFormat和FileOutputFormat分别设定。完成相应任务的参数设定后，即可调用job.waitForCompletion()方法执行任务。

4、WordCount处理过程

　　本节将对WordCount进行更详细的讲解。详细执行步骤如下：　　1）将文件拆分成splits，由于测试用的文件较小，所以每个文件为一个split，并将文件按行分割形成<key,value>对，如图4-1所示。这一步由MapReduce框架自动完成，其中偏移量（即key值）包括了回车所占的字符数（Windows和Linux环境会不同）。图4-1 分割过程　　2）将分割好的<key,value>对交给用户定义的map方法进行处理，生成新的<key,value>对，如图4-2所示。图4-2 执行map方法　　3）得到map方法输出的<key,value>对后，Mapper会将它们按照key值进行排序，并执行Combine过程，将key至相同value值累加，得到Mapper的最终输出结果。如图4-3所示。图4-3 Map端排序及Combine过程　　4）Reducer先对从Mapper接收的数据进行排序，再交由用户自定义的reduce方法进行处理，得到新的<key,value>对，并作为WordCount的输出结果，如图4-4所示。图4-4 Reduce端排序及输出结果

5、MapReduce新旧改变

　　Hadoop最新版本的MapReduce Release 0.20.0的API包括了一个全新的Mapreduce JAVA API，有时候也称为上下文对象。　　新的API类型上不兼容以前的API，所以，以前的应用程序需要重写才能使新的API发挥其作用 。　　新的API和旧的API之间有下面几个明显的区别。新的API倾向于使用抽象类，而不是接口，因为这更容易扩展。例如，你可以添加一个方法(用默认的实现)到一个抽象类而不需修改类之前的实现方法。在新的API中，Mapper和Reducer是抽象类。新的API是在org.apache.hadoop.mapreduce包(和子包)中的。之前版本的API则是放在org.apache.hadoop.mapred中的。新的API广泛使用context object(上下文对象)，并允许用户代码与MapReduce系统进行通信。例如，MapContext基本上充当着JobConf的OutputCollector和Reporter的角色。新的API同时支持"推"和"拉"式的迭代。在这两个新老API中，键/值记录对被推mapper中，但除此之外，新的API允许把记录从map()方法中拉出，这也适用于reducer。"拉"式的一个有用的例子是分批处理记录，而不是一个接一个。新的API统一了配置。旧的API有一个特殊的JobConf对象用于作业配置，这是一个对于Hadoop通常的Configuration对象的扩展。在新的API中，这种区别没有了，所以作业配置通过Configuration来完成。作业控制的执行由Job类来负责，而不是JobClient，它在新的API中已经荡然无存。 http://my.oschina.net/mkh/blog/225957