西安的商城网站最近三天的新闻大事

官方WordCount源码

为了方便查阅，我们将相关文件下载到本地查看:

注：此处mapreduce-examples文件在/opt/module/hadoop-3.1.3/share/hadoop/mapreduce目录下可以查找到

借助反编译工具查看源码:
可以看到MapReduce有大量的案例，我们找到想了解的WordCount案例如下:

可以看到，WordCount案例有驱动类、Map类、Reduce类。并且数据的类型是Hadoop自身封装的序列化类型(如Text类型对应于Java中的String类型,IntWritable类型对应于Java中的int类型)

MapReduce编程规范

用户编写的程序分成三个部分：Mapper、Reducer 和 Driver

1.Mapper-stage

(1) 用户自定义的Mapper要继承自己的父类
(2) Mapper的输入数据是KV对的形式(KV类型任意，通过泛型体现)
(3) Mapper中的业务逻辑写在map()方法中
(4) Mapper的输出数据是KV对的形式(KV类型任意，通过泛型体现)
(5) map()方法(MapTask进程)对每一个<K,V>调用一次

2.Reducer-stage

(1) 用户自定义的Reducer要继承自己的父类
(2) Reducer的输入数据类型对应Mapper的输出数据类型,也是KV
(3) Reducer中的业务逻辑写在reduce()方法中
(4) ReducTask进程对每一组相同K的<K,V>组只调用一次reduce()方法

3.Driver-stage

相当于YARN集群的客户端，用于提交我们整个程序到YARN集群，提交的是封装了MapReduce程序相关运行参数的job对象

常用数据序列化类型

可以看到除了String对应于Text类型外，其余Java数据类型的对应Hadoop类型均是在原来类型后添加Writable

WordCount案例实操

在给定文本文件中统计输出每一个单词出现的总次数

(1)输入数据

期望输出

2)需求分析

按照MapReduce编程规范，分别编写Mapper、Reducer、Driver

其中每一阶段的业务逻辑如下：

明确了每个阶段需要做的事情，接下来便可以准备搭环境和编写各阶段业务逻辑代码了!

3)环境准备

(1)创建新maven工程,命名为MapReduceDemo

(2)在pom.xml文件中添加如下依赖

<dependencies><dependency><groupId>org.apache.hadoop</groupId><artifactId>hadoop-client</artifactId><version>3.1.3</version></dependency><dependency><groupId>junit</groupId><artifactId>junit</artifactId><version>4.12</version></dependency><dependency><groupId>org.slf4j</groupId><artifactId>slf4j-log4j12</artifactId><version>1.7.30</version></dependency>
</dependencies>

在项目的src/main/resources目录下,新建一个文件,命名为"log4j.properties"，并在其中填入

log4j.rootLogger=INFO, stdout 
log4j.appender.stdout=org.apache.log4j.ConsoleAppender 
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout 
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n 
log4j.appender.logfile=org.apache.log4j.FileAppender 
log4j.appender.logfile.File=target/spring.log 
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout 
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n

(3) 创建包名:com.root.mapreduce.wordcount

(1) 编写Mapper类

package com.root.mapreduce.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 org.junit.Test;import java.io.IOException;/*** KEYIN,map时输入的key的类型 ：LongWritable* VALUEIN,map时输入value类型:Test* KEYOUT,map时输出的Key类型：Test* VALUEOUT,map时输出的value类型：IntWritable*/
public class WordCountMapper extends Mapper<LongWritable,Text,Text, IntWritable> {private Text outK=new Text();private IntWritable outV=new IntWritable(1);@Overrideprotected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {//思考：如果new Text的位置在这里，性能还是会低，因为map方法会被调用n次(这取决于源文件有多少行),每次都要new一个新的会浪费空间//1.获取一行String s = value.toString();//2.切割String[] s1 = s.split(" ");//3.循环写出for (String s2 : s1) {//思考：如果这里new了一个Text，那么性能会下降，因为如果读取的一行有很多数据那么每次for循环都要new一个Test，性能极度下降//封装outKoutK.set(s2);//写出context.write(outK,outV);}}
}

注：这里我们把一个Text类型的变量outK和一个IntWritable类型的变量outV定义为Mapper类的成员变量，提升一部分性能。(避免每次循环都new一个新对象)

(2) 编写Reducer类

package com.root.mapreduce.wordcount;import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;import java.io.IOException;/*** KEYIN,reduce时输入的key的类型 ：Text* VALUEIN,reduce时输入value类型: IntWritable* KEYOUT,reduce时输出的Key类型：Test* VALUEOUT,reduce时输出的value类型：IntWritable*/
public class WordCountReducer extends Reducer<Text, IntWritable,Text,IntWritable> {private IntWritable outV=new IntWritable();@Overrideprotected void reduce(Text key, Iterable<IntWritable> values, Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException {int sum=0;//atguigu,(1,1)//累加for (IntWritable value : values) {sum+=value.get();}outV.set(sum);//写出context.write(key,outV);}
}

注：这里同样我们把一个IntWritable类型的变量outV定义为Reducer类的成员变量，提升一部分性能。(避免每次循环都new一个新对象)

(3) 编写 Driver 驱动类

package com.root.mapreduce.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;
import org.apache.hadoop.yarn.webapp.hamlet2.Hamlet;import java.io.IOException;public class WordCountDriver {public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {//1.获取jobConfiguration conf = new Configuration();Job ins = Job.getInstance(conf);//2.设置jar包路径ins.setJarByClass(WordCountDriver.class);//3.关联mapper和reducerins.setMapperClass(WordCountMapper.class);ins.setReducerClass(WordCountReducer.class);//4.设置map输出的kv类型ins.setMapOutputKeyClass(Text.class);ins.setMapOutputValueClass(IntWritable.class);//5.设置最终输出的kv类型ins.setOutputKeyClass(Text.class);ins.setOutputValueClass(IntWritable.class);//6.设置输入路径和输出路径FileInputFormat.setInputPaths(ins, new Path("D:\\java_learning\\input"));FileOutputFormat.setOutputPath(ins, new Path("D:\\java_learning\\output\\output1"));//7.提交jobboolean result = ins.waitForCompletion(true);System.exit(result ? 0 : 1);}
}

运行main主函数，查看目标路径下的文件详情：

Editplus打开part-r-00000文件查看输出结果:

上传至集群测试

之前的步骤中，我们相当于是在本地Windows环境下运行得到的结果，实际生产中我们常常需要在集群中运行并测试，接下来我们便来看一下如何在集群上测试。

（1）用 maven 打 jar 包，需要添加的打包插件依赖

<build><plugins><plugin><artifactId>maven-compiler-plugin</artifactId><version>3.6.1</version><configuration><source>1.8</source><target>1.8</target></configuration></plugin><plugin><artifactId>maven-assembly-plugin</artifactId><configuration><descriptorRefs><descriptorRef>jar-with-dependencies</descriptorRef></descriptorRefs></configuration><executions><execution><id>make-assembly</id><phase>package</phase><goals><goal>single</goal></goals></execution></executions></plugin></plugins></build>

由于我们在集群上测试时，想要动态获取输入和输出的路径，因此我们需要把Driver程序中的如下部分做小部分修改，其中args[0]是我们之后XShell控制台输入的第一个路径参数,代表了输入路径;args[1]是XShell控制台输入的第二个路径参数,代表了输出路径:

之后便可以进行打包操作。

（2）将程序打成 jar 包

（3）修改不带依赖的 jar 包名称为 wc.jar，并拷贝该 jar 包到 Hadoop 集群的/opt/module/hadoop-3.1.3 路径。

注：这里可以直接从Windows环境拖动想上传的文件到XShell上，之后查看目录可以看到wc.jar已被上传

(4) 启动 Hadoop 集群

myhadoop.sh start

(5) 查看集群节点状态

jpsall

(5)执行WordCount程序

hadoop jar wc.jar com.root.mapreduce.wordcount.WordCountDriver /haha /output

注意这里我们输入路径是集群上的/haha路径下的文件,输出路径为/output (输出路径在程序执行前不允许有重名路径)

执行后查看/output下的文件是否存在及内容

可以看到文件内容是hello.txt经过统计之后的，与hello.txt相对应: