Hadoop入门实践之从WordCount程序说起

2024-04-28 22:38
文章标签 实践 程序 入门 hadoop 说起 wordcount

本文主要是介绍Hadoop入门实践之从WordCount程序说起，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

这段时间需要学习Hadoop了，以前一直听说Hadoop，但是从来没有研究过，这几天粗略看完了《Hadoop实战》这本书，对Hadoop编程有了大致的了解。接下来就是多看多写了。以Hadoop自带的例子WordCount程序开始，来记录我的Hadoop学习过程。

Hadoop自带例子WordCount.java

[java]  view plain copy
  1. /** 
  2.  *  Licensed under the Apache License, Version 2.0 (the "License"); 
  3.  *  you may not use this file except in compliance with the License. 
  4.  *  You may obtain a copy of the License at 
  5.  * 
  6.  *      http://www.apache.org/licenses/LICENSE-2.0 
  7.  * 
  8.  *  Unless required by applicable law or agreed to in writing, software 
  9.  *  distributed under the License is distributed on an "AS IS" BASIS, 
  10.  *  WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
  11.  *  See the License for the specific language governing permissions and 
  12.  *  limitations under the License. 
  13.  */  
  14.   
  15.   
  16. package org.apache.hadoop.examples;  
  17.   
  18. import java.io.IOException;  
  19. import java.util.StringTokenizer;  
  20.   
  21. import org.apache.hadoop.conf.Configuration;  
  22. import org.apache.hadoop.fs.Path;  
  23. import org.apache.hadoop.io.IntWritable;  
  24. import org.apache.hadoop.io.Text;  
  25. import org.apache.hadoop.mapreduce.Job;  
  26. import org.apache.hadoop.mapreduce.Mapper;  
  27. import org.apache.hadoop.mapreduce.Reducer;  
  28. import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;  
  29. import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;  
  30. import org.apache.hadoop.util.GenericOptionsParser;  
  31.   
  32. public class WordCount {  
  33.   
  34.   public static class TokenizerMapper   
  35.        extends Mapper<Object, Text, Text, IntWritable>{  
  36.       
  37.     private final static IntWritable one = new IntWritable(1);  
  38.     private Text word = new Text();  
  39.         
  40.     public void map(Object key, Text value, Context context  
  41.                     ) throws IOException, InterruptedException {  
  42.       StringTokenizer itr = new StringTokenizer(value.toString());  
  43.       while (itr.hasMoreTokens()) {  
  44.         word.set(itr.nextToken());  
  45.         context.write(word, one);  
  46.       }  
  47.     }  
  48.   }  
  49.     
  50.   public static class IntSumReducer   
  51.        extends Reducer<Text,IntWritable,Text,IntWritable> {  
  52.     private IntWritable result = new IntWritable();  
  53.   
  54.     public void reduce(Text key, Iterable<IntWritable> values,   
  55.                        Context context  
  56.                        ) throws IOException, InterruptedException {  
  57.       int sum = 0;  
  58.       for (IntWritable val : values) {  
  59.         sum += val.get();  
  60.       }  
  61.       result.set(sum);  
  62.       context.write(key, result);  
  63.     }  
  64.   }  
  65.   
  66.   public static void main(String[] args) throws Exception {  
  67.     Configuration conf = new Configuration();  
  68.     String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();  
  69.     if (otherArgs.length != 2) {  
  70.       System.err.println("Usage: wordcount <in> <out>");  
  71.       System.exit(2);  
  72.     }  
  73.     Job job = new Job(conf, "word count");  
  74.     job.setJarByClass(WordCount.class);  
  75.     job.setMapperClass(TokenizerMapper.class);  
  76.     job.setReducerClass(IntSumReducer.class);  
  77.     job.setOutputKeyClass(Text.class);  
  78.     job.setOutputValueClass(IntWritable.class);  
  79.     FileInputFormat.addInputPath(job, new Path(otherArgs[0]));  
  80.     FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));  
  81.     System.exit(job.waitForCompletion(true) ? 0 : 1);  
  82.   }  
  83. }  
这个程序的功能是对文件中各个单词的数目进行统计。

在Wordount.java中有两个静态内部类TokenizerMapper，IntSumReducer，关于静态内部类，可以参考另一篇文章 Java中的静态内部类。这两个类分别对应与MapReduce中的map和reduce。至于为什么要用静态的内部类，个人理解是这样的：一般一个简单作业（Job）包含了一个map过程和一个reduce过程，Job，Map，Reduce写在一个文件中便于文件的组织。但是，Hadoop内部需要使用反射的方式来实例化客户端的Map和Reduce，所以使用了静态内部类的方式，参考了StackOverflow上的一个帖子： Do Mappers and Reducers in Hadoop have to be static classes?，如果不许要将Job，Map和Reduce组织在一起，完全可以将这三个类写在三个类文件中。

在程序的main函数中首先实例化一个Configuration，用于加载Hadoop的配置信息，然后就解析给程序传递的参数，这里我们传递了两个字符串参数，经过解析之后保存在有两个元素的数组otherArgs中，其中otherArgs[0]为要进行统计的文件的路径，otherArgs[1]为经过MapReduce计算之后的结果所保存的位置。
[java]  view plain copy
  1. Job job = new Job(conf, "word count");  
语句实例化一个Job对象，然后就为Job对像指定运行时所需的类
[java]  view plain copy
  1. job.setJarByClass(WordCount.class);  
表示告诉Hadoop集群，作业从哪个类开始运行，
[java]  view plain copy
  1. job.setMapperClass(TokenizerMapper.class);  
表示执行哪个类的map方法，我们这里指定的是方法
[java]  view plain copy
  1. public void map(Object key, Text value, Context context  
  2.                    ) throws IOException, InterruptedException {  
  3.      StringTokenizer itr = new StringTokenizer(value.toString());  
  4.      while (itr.hasMoreTokens()) {  
  5.        word.set(itr.nextToken());  
  6.        context.write(word, one);  
  7.      }  
  8.    }  
这个方法对要进行map的每行数据，使用StringTokenizer类进行分割，分割出来的值在保存到context中进行，从而在reduce中进行单词数量统计。
[java]  view plain copy
  1. job.setReducerClass(IntSumReducer.class);  
这行语句设置用于进行Reduce的类，告诉Hadoop集群执行哪个reduce函数：
[java]  view plain copy
  1. public void reduce(Text key, Iterable<IntWritable> values,   
  2.                       Context context  
  3.                       ) throws IOException, InterruptedException {  
  4.      int sum = 0;  
  5.      for (IntWritable val : values) {  
  6.        sum += val.get();  
  7.      }  
  8.      result.set(sum);  
  9.      context.write(key, result);  
  10.    }  
在这个函数执行之前，Hadoop已经为我们将各个单词的个数大概的归并在一起了，函数的前两个参数是Text 类型和Iterable类型，参数名分别为key和alues，其中在这里key表示在map方法中分割得到的单词，values表示在map阶段统计的单词的数量（由于reduce阶段接收到多个数据结点发送过来的统计结果，所以对应于一个key，可能有多个value，所以将这些value都保存在一迭代器中，然后对迭代器进行遍历，这个过程以后再讨论。），遍历values迭代器，对每个key的数量进行汇总，然后再记录在context中。
[java]  view plain copy
  1. job.setOutputKeyClass(Text.class);  
  2. job.setOutputValueClass(IntWritable.class);  
表示MapReduce执行结束之后，将结果保存在HDFS中时，保存的数据类型。这里将结果的key以Text类型保存，value以IntWritable类型保存。
[java]  view plain copy
  1. FileInputFormat.addInputPath(job, new Path(otherArgs[0]));  
  2. FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));  
分别表示输入和输出的路径。

这个程序相对于Hadoop的例子，我去掉了
[java]  view plain copy
  1. job.setCombinerClass(IntSumReducer.class);  
这行语句，在Hadoop中，Combiner主要用于提升Hadoop的处理效率，为了集中于理解MapReduce，我去掉了这行代码，待以后讨论提升Hadoop性能时，再学习Combiner。
原文地址： 点击打开链接

这篇关于Hadoop入门实践之从WordCount程序说起的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/944443。

相关文章

C++ move 的作用详解及陷阱最佳实践

C++ move 的作用详解及陷阱最佳实践

《C++move的作用详解及陷阱最佳实践》文章详细介绍了C++中的`std::move`函数的作用,包括为什么需要它、它的本质、典型使用场景、以及一些常见陷阱和最佳实践,感兴趣的朋友跟随小编一起看... 目录C++ move 的作用详解一、一句话总结二、为什么需要 move？C++98/03 的痛点⚡C++
阅读更多...
SpringCloud Stream 快速入门实例教程

SpringCloud Stream 快速入门实例教程

《SpringCloudStream快速入门实例教程》本文介绍了SpringCloudStream（SCS）组件在分布式系统中的作用,以及如何集成到SpringBoot项目中,通过SCS,可... 目录1.SCS 组件的出现的背景和作用2.SCS 集成srping Boot项目3.Yml 配置4.Sprin
阅读更多...
Mysql 驱动程序的程序小结

Mysql 驱动程序的程序小结

《Mysql驱动程序的程序小结》MySQL驱动程序是连接应用程序与MySQL数据库的重要组件,根据不同的编程语言和应用场景,MySQL提供了多种驱动程序,下面就来详细的了解一下驱动程序,感兴趣的可以... 目录一、mysql 驱动程序的概念二、常见的 MySQL 驱动程序1. MySQL Connector
阅读更多...
SpringMVC配置、映射与参数处理​入门案例详解

SpringMVC配置、映射与参数处理​入门案例详解

《SpringMVC配置、映射与参数处理​入门案例详解》文章介绍了SpringMVC框架的基本概念和使用方法,包括如何配置和编写Controller、设置请求映射规则、使用RestFul风格、获取请求... 目录1.SpringMVC概述2.入门案例①导入相关依赖②配置web.XML③配置SpringMVC
阅读更多...
MySQL存储过程实践(in、out、inout)

MySQL存储过程实践(in、out、inout)

《MySQL存储过程实践(in、out、inout)》文章介绍了数据库中的存储过程,包括其定义、优缺点、性能调校与撰写,以及创建和调用方法,还详细说明了存储过程的参数类型,包括IN、OUT和INOUT... 目录简述存储过程存储过程的优缺点优点缺点存储过程的创建和调用mysql 存储过程中的关键语法案例存储
阅读更多...
MySQL索引踩坑合集从入门到精通

MySQL索引踩坑合集从入门到精通

《MySQL索引踩坑合集从入门到精通》本文详细介绍了MySQL索引的使用,包括索引的类型、创建、使用、优化技巧及最佳实践,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友... 目录mysql索引完整教程：从入门到入土（附实战踩坑指南）一、索引是什么？为什么需要它？1.1 什么
阅读更多...
Java Lettuce 客户端入门到生产的实现步骤

Java Lettuce 客户端入门到生产的实现步骤

《JavaLettuce客户端入门到生产的实现步骤》本文主要介绍了JavaLettuce客户端入门到生产的实现步骤,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要... 目录1 安装依赖MavenGradle2 最小化连接示例3 核心特性速览4 生产环境配置建议5 常见问题
阅读更多...
Java 的ArrayList集合底层实现与最佳实践

Java 的ArrayList集合底层实现与最佳实践

《Java的ArrayList集合底层实现与最佳实践》本文主要介绍了Java的ArrayList集合类的核心概念、底层实现、关键成员变量、初始化机制、容量演变、扩容机制、性能分析、核心方法源码解析、... 目录1. 核心概念与底层实现1.1 ArrayList 的本质1.1.1 底层数据结构JDK 1.7
阅读更多...
JDK21对虚拟线程的几种用法实践指南

JDK21对虚拟线程的几种用法实践指南

《JDK21对虚拟线程的几种用法实践指南》虚拟线程是Java中的一种轻量级线程,由JVM管理,特别适合于I/O密集型任务,：本文主要介绍JDK21对虚拟线程的几种用法,文中通过代码介绍的非常详细,... 目录一、参考官方文档二、什么是虚拟线程三、几种用法1、Thread.ofVirtual().start(
阅读更多...
从基础到高级详解Go语言中错误处理的实践指南

从基础到高级详解Go语言中错误处理的实践指南

《从基础到高级详解Go语言中错误处理的实践指南》Go语言采用了一种独特而明确的错误处理哲学,与其他主流编程语言形成鲜明对比,本文将为大家详细介绍Go语言中错误处理详细方法,希望对大家有所帮助... 目录1 Go 错误处理哲学与核心机制1.1 错误接口设计1.2 错误与异常的区别2 错误创建与检查2.1 基础
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2