MapReduce实现wordcount统计

MapReduce实现wordcount统计

public class WCMapper extends Mapper<LongWritable, Text, Text, LongWritable>

LongWritable->起始偏移量

Text->输入的文本

Text->输出的文本

LongWritable->计数

4个泛型中,前两个是指定mapper输入数据的类型,KEYIN是输入的key的类型,VALUEIN是输入的value的类型

map 和 reduce 的数据输入输出都是以 key-value对的形式封装的

默认情况下,框架传递给我们的mapper的输入数据中,key是要处理的文本中一行的起始偏移量,这一行的内容作为value

序列化问题: 

key-value数据要在网络中传输,必须实现序列化,java自带序列化功能,但是数据比较冗余,对于MapReduce海量数据分析过程中会有不利,因此实现hadoop自己的序列化。

 继承Mapper,重写map方法

mapreduce框架每读一行数据就调用一次该方法

具体业务逻辑就写在这个方法体中,而且我们业务要处理的数据已经被框架传递进来,在方法的参数中 key-value

 

@Override
	protected void map(LongWritable key, Text value,Context context)
			throws IOException, InterruptedException {

}

 

 实现业务逻辑代码:

public class WCMapper extends Mapper<LongWritable, Text, Text, LongWritable>{
	
	//mapreduce框架每读一行数据就调用一次该方法
	@Override
	protected void map(LongWritable key, Text value,Context context)
			throws IOException, InterruptedException {
		//具体业务逻辑就写在这个方法体中,而且我们业务要处理的数据已经被框架传递进来,在方法的参数中 key-value
		//key 是这一行数据的起始偏移量     value 是这一行的文本内容
		
		//将这一行的内容转换成string类型
		String line = value.toString();
		
		//对这一行的文本按特定分隔符切分
		String[] words = StringUtils.split(line, " ");
		
		//遍历这个单词数组输出为kv形式  k:单词   v : 1
		for(String word : words){
			
			context.write(new Text(word), new LongWritable(1));
			
		}
		

	}

 

继承Reducer实现reduce方法

public class WCReducer extends Reducer<Text, LongWritable, Text, LongWritable>{
	
	
	
	//框架在map处理完成之后,将所有kv对缓存起来,进行分组,然后传递一个组<key,valus{}>,调用一次reduce方法
	//<hello,{1,1,1,1,1,1.....}>
	@Override
	protected void reduce(Text key, Iterable<LongWritable> values,Context context)
			throws IOException, InterruptedException {

		long count = 0;
		//遍历value的list,进行累加求和
		for(LongWritable value:values){
			
			count += value.get();
		}
		
		//输出这一个单词的统计结果
		
		context.write(key, new LongWritable(count));
		
	}
	
	

}

 

 

map、reduce代码分别完成后,还需要有一个类,用来描述整个逻辑:

map分布在哪,reduce分布在哪;用哪个map,哪个reduce?还需要打成jar包。

把一个业务逻辑处理的整个过程叫做一个job,告诉集群用哪个job,哪个工程,哪个map,reduce,处理数据的路径,输出的结果等。

/**
 * 用来描述一个特定的作业
 * 比如,该作业使用哪个类作为逻辑处理中的map,哪个作为reduce
 * 还可以指定该作业要处理的数据所在的路径
 * 还可以指定改作业输出的结果放到哪个路径
 * ....
 * @author duanhaitao@itcast.cn
 *
 */
public class WCRunner {

	public static void main(String[] args) throws Exception {
		
		Configuration conf = new Configuration();
		
		Job wcjob = Job.getInstance(conf);
		
		//设置整个job所用的那些类在哪个jar包
		wcjob.setJarByClass(WCRunner.class);
		
		
		//本job使用的mapper和reducer的类
		wcjob.setMapperClass(WCMapper.class);
		wcjob.setReducerClass(WCReducer.class);
		
		
		//指定reduce的输出数据kv类型
		wcjob.setOutputKeyClass(Text.class);
		wcjob.setOutputValueClass(LongWritable.class);
		
		//指定mapper的输出数据kv类型
		wcjob.setMapOutputKeyClass(Text.class);
		wcjob.setMapOutputValueClass(LongWritable.class);
		
		
		//指定要处理的输入数据存放路径
		FileInputFormat.setInputPaths(wcjob, new Path("hdfs://weekend110:9000/wc/srcdata/"));
		
		//指定处理结果的输出数据存放路径
		FileOutputFormat.setOutputPath(wcjob, new Path("hdfs://weekend110:9000/wc/output3/"));
		
		//将job提交给集群运行 
		wcjob.waitForCompletion(true);
			
	}
			
}

 

把工程打成jar包,上传d到hadoop集群中

启动hadoop yarn

hadoop jar 指定类