Hadoop入门学习最经典的案例就是WordCount单词统计实战案例,这个案例可以帮你迅速理解hadoop中mapreduce执行过程及其原理。下面潘老师通过代码的实现并结合图文说明,给大家详解下具体内容。
1、保证Hadoop伪分布式环境正常启动。如果还没有搭建好,请参考博文:Hadoop3.x伪分布式环境搭建图文详解教程,让你快速入门大数据开发
2、保证Eclipse正确整合了Maven。如果还没有整合,请参考博文:Maven安装与配置,学习整合Eclipse构建第一个Maven项目
首选我们有一个文本文件,里面的内容很简单,就3行共6个单词,每个单词之间用空格隔开,具体内容如下,你可以复制一下内容粘贴到自己创建的words.txt中。
Deer Bear River
Car Car River
Deer Car Bear
我们的需求是将每个单词在文本中出现的次数统计出来,统计结果格式如下:
Bear 2
Car 3
Deer 2
River 2
1)Split:首先大文件会被切分成多份,假设这里被切为3份,每一行代表一份
2)Map:解析出每个单词,并在后面记上数字1
3)Shuffle:将每一份中的单词分组到一起,并默认按照字母顺序进行排序
4)Reduce:将相同的单词进行;累加
5)将结果输出结果到HDFS
1、首先启动Hadoop,然后使用rz
指令先将words.txt文件上传至/usr/hadoop
目录(也可以自定义目录),然后ls
查看下。
2、使用hdfs指令hdfs dfs -mkdir /input
在HDFS根目录下新建在input文件夹(名称可自定义),然后执行查看指令hdfs dfs -ls /
。
3、使用hdfs指令hdfs dfs -put /usr/hadoop/words.txt /input
将words.txt上传到input目录。
4、使用指令hdfs dfs -cat /input/words.txt
查看上传的文本内容
5、在Eclipse中新建Maven项目wordconut,并删除App.java和AppTest.java文件。
6、在pom.xml的dependencies添加hadoop包依赖(也可顺便删除junit依赖,因为我们这里用不到),具体如下:
<dependency> <groupId>org.apache.hadoop</groupId> <artifactId>hadoop-client</artifactId> <version>3.2.1</version> </dependency>
7、在wordcount项目中自定义Mapper类,具体代码如下:
import java.io.IOException; import org.apache.hadoop.io.IntWritable; import org.apache.hadoop.io.LongWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Mapper; /*** * 自定义Mapper类,需要继承Mapper类 * 在这里原来的Long变为了LongWritable类型 * 字符串变为了Text类型,int变为了IntWritable类型 */ public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> { /** * 需要重写map方法 * 该方法输入k1,v1参数,输出k2,v2参数 */ @Override protected void map(LongWritable k1, Text v1, Context context) throws IOException, InterruptedException { //k1代表每一行行首的偏移量,v1代表每一行的内容 //对每一行内容进行切割,把单词切割出来 String[] words = v1.toString().split(" "); //迭代切割出来的单词数组 for(String word:words) { //把迭代出来的单词封装成<k2,v2>形式 Text k2 = new Text(word); IntWritable v2 = new IntWritable(1); //将<k2,v2>写出去 context.write(k2, v2); } } }
8、在wordcount项目中自定义Reducer类,具体代码如下:
import java.io.IOException; import org.apache.hadoop.io.IntWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Reducer; /** * 自定义Reducer类,继承Reducer类 */ public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> { /** * 需要重写reduce方法,针对v2s数据进行累加求和 * 并最终把数据转换为<k3,v3>写出去 */ @Override protected void reduce(Text k2, Iterable<IntWritable> v2s,Context context) throws IOException, InterruptedException { //创建sum变量,保存v2s和 int sum = 0; //迭代v2s,累加求和 for(IntWritable v2:v2s) { sum += v2.get(); } //组装<k3,v3> Text k3 = k2; IntWritable v3 = new IntWritable(sum); //将<k3,v3>写出去 context.write(k3, v3); } }
9、在wordcount项目中自定义Job类,具体代码如下:
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; /** * 单词统计任务类 */ public class WordCountJob { //组装job=map+reduce public static void main(String[] args) { try { if(args.length!=2) { //如果传递的参数个数不够,直接退出 System.exit(1); } //job需要配置的参数 Configuration conf = new Configuration(); //创建一个job Job job = Job.getInstance(conf); //设置主方法-这一行必须设置,否则在集群中执行无法找到WordCountJob这个类 job.setJarByClass(WordCountJob.class); //指定输入路径(可以是文件也可以是目录) FileInputFormat.setInputPaths(job, new Path(args[0])); //指定输出路径(只能是一个不存在的目录) FileOutputFormat.setOutputPath(job, new Path(args[1])); //指定Mapper相关代码 job.setMapperClass(WordCountMapper.class); //指定k2的类型 job.setMapOutputKeyClass(Text.class); //指定v2的类型 job.setMapOutputValueClass(IntWritable.class); //指定Reducer相关代码 job.setReducerClass(WordCountReducer.class); //指定k3类型 job.setOutputKeyClass(Text.class); //指定v3类型 job.setOutputValueClass(IntWritable.class); //提交job job.waitForCompletion(true); } catch (IOException | ClassNotFoundException | InterruptedException e) { // TODO Auto-generated catch block e.printStackTrace(); } } }
10、在pom.xml添加编译打包配置,具体在dependencies依赖配置同级别添加如下配置:
<build> <plugins> <!-- compiler插件, 设定JDK版本 --> <plugin> <groupId>org.apache.maven.plugins</groupId> <artifactId>maven-compiler-plugin</artifactId> <version>2.3.2</version> <configuration> <encoding>UTF-8</encoding> <source>1.8</source> <target>1.8</target> <showWarnings>true</showWarnings> </configuration> </plugin> <plugin> <artifactId>maven-assembly-plugin</artifactId> <configuration> <descriptorRefs> <descriptorRef>jar-with-dependencies</descriptorRef> </descriptorRefs> <archive> <manifest> <mainClass></mainClass> </manifest> </archive> </configuration> <executions> <execution> <id>make-assembly</id> <phase>package</phase> <goals> <goal>single</goal> </goals> </execution> </executions> </plugin> </plugins> </build>
11、修改hadoop依赖,限制使用范围,变成如下配置:
<dependencies> <!-- hadoop-client依赖 --> <dependency> <groupId>org.apache.hadoop</groupId> <artifactId>hadoop-client</artifactId> <version>3.2.1</version> <!-- 表示只在编译时使用这个依赖,在执行及打包时都不依赖 --> <scope>provided</scope> </dependency> </dependencies>
12、右键wordcount项目->run as->maven install,执行打包操作。
注意,如果出现如图所示错误:
则需要检查Window->Preferences->Installed JREs配置的是否是jdk目录,而不是jre目录,确保是jdk目录,然后重新执行上面的指令。
13、执行成功后,在wordcount项目的target文件夹下,会生成两个jar包,一个是带依赖的,一个是不带依赖的,这里我们使用不带依赖的,也就是第二个。
14、将wordcount-0.0.1-SNAPSHOT.jar上传到/usr/hadoop
目录。
15、执行任务指令:
hadoop jar wordcount-0.0.1-SNAPSHOT.jar com.pzy.wordcount.WordCountJob /input/words.txt /outputwords
hadoop jar XX.jar XX全类名 参数1(数据输入路径) 参数2(数据输出路径) 参数3 参数4…
16、耐心等待执行完成,直到map 100%,reduce 100%。

也可去浏览器访问YARN的ResourceManager界面,我这里地址是
http://192.168.217.100:8088/cluster
,查看任务状态。
17、使用如下两个指令查看统计结果:
hdfs dfs -ls /outputwords
hdfs dfs -cat /outputwords/part-r-00000

相信大家通过这个经典入门案例的学习,一定对hadoop大数据处理有了新的认识,对MapReduce执行原理也有了进一步的理解。