文章目录
- 初探MapReduce
- 一、MapReduce核心思想
- 二、MapReduce编程实例-词频统计思路
- 1、map阶段(映射)
- 2、reduce阶段(归并阶段)
- 三、词频统计编程实现
- 1、准备数据文件
- 2、将文件上传到hdfs指定路径
- 3、在java里创建词频统计映射器类
- 4、创建词频统计驱动类
- 5、运行词频统计驱动类,查看结果
- 6、修改词频统计映射类
- 7、修改词频统计驱动器类
- 8、启动词频统计驱动器类,查看结果
- 9、创建词频统计归并器类
- 10、修改词频统计驱动器类
- 11、启动词频统计驱动器类,查看结果
- 12、采用多个Reduce做合并
- 四、解决问题
初探MapReduce
一、MapReduce核心思想
- MapReduce的核心思想是“分而治之”。所谓“分而治之”就是把一个复杂的问题,按照一定的“分解”方法分为等价的规模较小的若干部分,然后逐个解决,分别找出各部分的结果,把各部分的结果组成整个问题的结果,这种思想来源于日常生活与工作时的经验,同样也完全适合技术领域。
- MapReduce作为一种分布式计算模型,它主要用于解决海量数据的计算问题。使用MapReduce操作海量数据时,每个MapReduce程序被初始化为一个工作任务,每个工作任务可以分为Map和Reduce两个阶段。
二、MapReduce编程实例-词频统计思路
1、map阶段(映射)
输入键值对=>输出键值对
2、reduce阶段(归并阶段)
三、词频统计编程实现
启动hadoop任务,输入命令:start-all.sh
1、准备数据文件
在linux虚拟机上,创建一个文本文件,存放需要的数据
2、将文件上传到hdfs指定路径
首先在hdfs上创建/wordcount
目录
输入命令:hdfs dfs -mkdir /wordcount
然后将刚刚创建的words.txt文件,上传到这个目录下
在webUI界面上进行查看
3、在java里创建词频统计映射器类
创建hsl.aex.mr
包,在包里创建WordCountMappe
r类
为了更好理解Mapper类的作用,在map()函数里暂时不进行每行文本分词处理,直接利用context输出key和value
package hsl.aex.mr;
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,LongWritable,Text>{
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
// 直接将键值对数据传到下一个阶段
context.write(key, value);
}
}
Mapper<泛型参数1, 泛型参数2, 泛型参数3, 泛型参数4>参数说明
注意:MR应用,必须有映射器(Mapper),但是归并器(Reducer)可有可无
4、创建词频统计驱动类
在hsl.aex.mr
包里创建WordCountDriver
类
package hsl.aex.mr;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.LongWritable;
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 java.net.URI;
public class WordCountDriver {
public static void main(String[] args) throws Exception {
// 创建配置对象
Configuration conf = new Configuration();
// 设置数据节点主机名属性
conf.set("dfs.client.use.datanode.hostname", "true");
// 获取作业实例
Job job = Job.getInstance(conf);
// 设置作业启动类
job.setJarByClass(WordCountDriver.class);
// 设置Mapper类
job.setMapperClass(WordCountMapper.class);
// 设置map任务输出键类型
job.setMapOutputKeyClass(LongWritable.class);
// 设置map任务输出值类型
job.setMapOutputValueClass(Text.class);
// 定义uri字符串
String uri = "hdfs://master:9000";
// 创建输入目录
Path inputPath = new Path(uri + "/wordcount/input/words.txt");
// 创建输出目录
Path outputPath = new Path(uri + "/wordcount/output");
// 获取文件系统
FileSystem fs = FileSystem.get(new URI(uri), conf);
// 删除输出目录(第二个参数设置是否递归)
fs.delete(outputPath, true);
// 给作业添加输入目录(允许多个)
FileInputFormat.addInputPath(job, inputPath);
// 给作业设置输出目录(只能一个)
FileOutputFormat.setOutputPath(job, outputPath);
// 等待作业完成
job.waitForCompletion(true);
// 输出统计结果
System.out.println("======统计结果======");
FileStatus[] fileStatuses = fs.listStatus(outputPath);
for (int i = 1; i < fileStatuses.length; i++) {
// 输出结果文件路径
System.out.println(fileStatuses[i].getPath());
// 获取文件系统数据字节输入流
FSDataInputStream in = fs.open(fileStatuses[i].getPath());
// 将结果文件显示在控制台
IOUtils.copyBytes(in, System.out, 4096, false);
}
}
}
注意导入包不要导入错了
5、运行词频统计驱动类,查看结果
结果出来是这个样子,当然可能会出现很多的问题,需要具体的解决
如果不想看到统计结果之前的大堆信息,可以修改log4j.properties
文件,将INFO
改为ERROR
行首数字,表示每行起始位置在整个文件的偏移量(offset)。
1、第一行:hello hadoop world\n 16个字母,2个空格,1个转义字符,总共19个字符,因此,第二行起始位置在整个文件的偏移量就是19。
2、第二行:hello hive world\n 14个字母,2个空格,1个转义字符,总共17个字符,因此,第三行起始位置在整个文件的偏移量就是19 + 16 = 36。
/3、第三行:hello hbase world\n 15个字母,2个空格,1个转义字符,总共18个字符,因此,第三行起始位置在整个文件的偏移量就是19 + 16 + 18 = 54。
4、第四行:hadoop hive hbase\n 15个字母,2个空格,1个转义字符,总共18个字符,因此,第三行起始位置在整个文件的偏移量就是19 + 16 + 18 + 18 = 72。
在webUI界面上,查看结果文件
6、修改词频统计映射类
行首数字对于我们做单词统计没有任何用处,只需要拿到每一行内容,按空格拆分成单词,每个单词计数1,因此,WordCoutMapper的输出应该是单词和个数,于是,输出键类型为Text,输出值类型为IntWritable。
将每行按空格拆分成单词数组,输出<单词, 1>的键值对
package hsl.aex.mr;
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>{
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
// 获取行内容
String line = value.toString();
// 按空格拆分得到单词数组
String[] words = line.split(" "); //regex正则表达式
// 遍历单词数组,生成输出键值对
for (int i = 0; i < words.length; i++) {
context.write(new Text(words[i]), new IntWritable(1));
}
}
}
- 由于WordCountMapper的输出键值类型发生变化,所以必须告诉WordCountDriver
7、修改词频统计驱动器类
修改map任务输出键值类型 主要修改下面这两个
8、启动词频统计驱动器类,查看结果
观察输出结果,map阶段会按键排序输出
对于这样一组键值对,我们需要Reducer组件来进行归并处理,结果如下所示
Java数据类型与Hadoop数据类型对应关系
了解map阶段的输出值(reduce阶段的输入值)是一个迭代器
WordCountReducer类和WordCountDriver类
9、创建词频统计归并器类
1、一个类继承Reducer,变成一个Reducer组件类
2、Reducer组件会接收Mapper组件的输出结果
3、第一个泛型对应的是Mapper输出key类型
4、第二个泛型对应的是Mapper输出value类型
5、第三个泛型和第四个泛型是Reducer的输出key类型和输出value类型
6、Reducer组件不能单独存在,但是Mapper组件可以单独存在
7、当引入Reducer组件后,输出结果文件内容就是Reducer的输出key和输出value
在hsl.aex.mr
包里创建WordCountReducer
类
package hsl.aex.mr;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
public class WordCountReducer extends Reducer<Text,IntWritable,Text,IntWritable> {
@Override
protected void reduce(Text key, Iterable<IntWritable> values, Context context)
throws IOException, InterruptedException {
// 定义输出键出现次数
int count = 0;
// 遍历输出值迭代对象,统计其出现次数
for (IntWritable value : values) {
count = count + value.get();
}
// 生成键值对输出
context.write(key, new IntWritable(count));
}
}
由于引入了词频统计归并器,必须在词频统计驱动器类里进行设置
10、修改词频统计驱动器类
设置WordCountDriver
,并且设置归并任务的输出键值类型
11、启动词频统计驱动器类,查看结果
统计出每个单词出现的次数
12、采用多个Reduce做合并
相同key的键值对必须发送同一分区
(一个Reduce任务对应一个分区,然后会生成对应的一个结果文件,有多少个Reduce
任务,就会有多少个分区,最终就会产生多少个结果文件),否则同一个key
最终会出现在不同的结果文件中,那显然不是我们希望看到的结果。
只需要增加一行代码
运行程序,查看结果
在webUI界面上进行查看 有三个结果文件,因为分了三个区
四、解决问题
错误:Did not find winutils.exe
运行WordCountDriver
类,报错找不到winutils.exe
文件
首先下载一个hadoop放在D盘下,下载对应版本的winutils.exe
和hadoop.dll
这两个插件放在hadoop安装目录的bin子目录里
然后放进去了,还要配置环境变量,系统变量下配置这两个,HADOOP_HOME 的值是,
还有这个Path 吧HADOOP_HOME放进去
然后配置好之后,将电脑进行重启,然后重新运行程序就好了