Linux 安装配置 tomcat

MapReduce实战WordCount

MapReduce是Hadoop中的核心，我们通过十分经典的WordCount程序来实战MapReduce.

一个完整的mapreduce程序在分布式运行时有三类实例进程：

我们要对应写的MapReduce程序主要也分为三部分：Mapper，Reducer，Runner

Mapper主要负责将数据进行初步的处理，接收的数据是Key，Value键值对的形式，处理后输出的数据格式也同样为key，Value的格式（key，Value的类型可自定义）

Mapper通过继承对应的父类Mapper，将主要的业务逻辑写在map()方法中

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;

public class WordCountMapper extends Mapper<LongWritable,Text,Text,IntWritable> {

//map方法的生命周期：  框架每传一行数据就被调用一次
//key :  这一行的起始点在文件中的偏移量
//value: 这一行的内容
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//拿到一行数据转换为string
String line = value.toString();
//将这一行切分出各个单词
String[] words = line.split(" ");
//遍历数组，输出<单词，1>
for (String word : words) {
context.write(new Text(word), new IntWritable(1));
}
}
}

Reducer也是继承对应的父类Reducer，业务逻辑主要写在reduce()方法中

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;

public class WordCountMapper extends Mapper<LongWritable,Text,Text,IntWritable> {

//map方法的生命周期：  框架每传一行数据就被调用一次
//key :  这一行的起始点在文件中的偏移量
//value: 这一行的内容
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//拿到一行数据转换为string
String line = value.toString();
//将这一行切分出各个单词
String[] words = line.split(" ");
//遍历数组，输出<单词，1>
for (String word : words) {
context.write(new Text(word), new IntWritable(1));
}
}
}

Runner是用来进行提交的，提交的是一个描述了各种必要信息的job对象

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.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.Job;

public class WordCountRunner {
//把业务逻辑相关的信息（哪个是mapper，哪个是reducer，要处理的数据在哪里，输出的结果放哪里……）描述成一个job对象
//把这个描述好的job提交给集群去运行
public static void main(String[] args) throws Exception {
Configuration conf = new Configuration();
Job wcjob = Job.getInstance(conf);

wcjob.setJarByClass(WordCountRunner.class);
wcjob.setMapperClass(WordCountMapper.class);
wcjob.setReducerClass(WordCountReducer.class);

//设置我们的业务逻辑Mapper类的输出key和value的数据类型
wcjob.setMapOutputKeyClass(Text.class);
wcjob.setMapOutputValueClass(IntWritable.class);

//设置Reducer类的输出key和value的数据类型
wcjob.setOutputKeyClass(Text.class);
wcjob.setOutputValueClass(IntWritable.class);

//指定要处理的数据所在的位置
FileInputFormat.setInputPaths(wcjob, "/wordcount/data/big.txt");
//指定处理完成之后的结果所保存的位置
FileOutputFormat.setOutputPath(wcjob, new Path("/wordcount/output/"));

//向yarn集群提交这个job
boolean res = wcjob.waitForCompletion(true);
System.exit(res?0:1);
}
}

接下来说明怎么通过hadoop集群运行这个WordCount程序

首先将程序打包成一个jar包，可以通过idea/myeclipse/eclipse的maven工具打包(idea打包方式)

然后开启虚拟机，保证hadoop集群是处于运行状态的

通过SecureCRT上传刚刚打包好的WordCount.jar文件

接着通过hdfs 创建文件夹(对应WordCountRunner中配置的路径)

然后通过hdfs命令运行上传的WordCount.jar

# hadoop jar wordcount.jar WordCountRunner inputpath outputpath

# hadoop fs -ls /wordcount/output
# hadoop fs -cat hdfs://Master:9000/wordcount/output/part-r-00000

到此，我们的WordCount程序就成功完成了