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
先直接上执行过程原理图：
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。
