8、MapReduce实现WordCount单词统计_wordcount只统计长度超过2的单词怎么设计mapreduce函数

MapReduce分布式计算包含两个阶段：Mapper和Reduce。一个完整的MapReduce程序在分布式计算时包括三类实例进程：

• MrAppMaster:负责整个程序的过程调度及状态协调；
• MapTask:负责Map阶段整个数据处理流程；
• ReduceTask:负责Reduce阶段整个数据处理流程。

MapReduce的两个阶段中：第一个阶段的MapTask并发实例，完全并行运行，互不相干；第二个阶段的ReduceTask并发实例互不相干，但是他们的数据依赖于上一个阶段的所有MapTask并发实例的输出。Reduce阶段需要等Map阶段处理完毕才会执行，所以大量数据要临时放在内存中。

案例：下面通过MapReduce实现统计一个文件中单词出现的频率。

一、Mapper阶段

• 用户自定义的Mapper要集成hadoop提供的Mapper类；
• Mapper的输入数据形式是KV键值对的形式，KV的类型可以自定义；
• Mapper的处理流程写在map方法中；
• Mapper的输出时KV键值对的形式，KV类型可以自定义；
• MapTask进程执行map方法时，对每一个KV调用一次，例如如果指定KV为<LongWritable, Text>，LongWritable表示每行，Text表示每行的内容，MapTask会对每行内容调用一次map方法。

```java
package com.lzj.hadoop.wordcount;

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;

/*
 * LongWritable - 表示读取第几行
 * Text 		-  表示读取一行的内容
 * Text			- 表示输出的键
 * IntWritable 	- 表示输出的键对应的个数
 * */

public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable>{
	
	Text k = new Text(); 					//键
	IntWritable v = new IntWritable(1); 	//值(值为1)
	
	/*context设置输出*/
	@Override
	protected void map(LongWritable key, Text value, Context context)
			throws IOException, InterruptedException {
		/*1、获取读取一行的内容*/
		String line = value.toString();
		
		/*2、按空格切割读取的单词*/
		String[] words = line.split(" ");
		
		/*3、输出mapper处理完的内容*/
		for(String word : words) {
			/*给键设置值*/
			k.set(word); 
			/*把mapper处理后的键值对写到context中*/
			context.write(k, v);
		}
	}
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41

二、Reduce阶段

• 用户自定义的Reducer类要继承hadoop提供的Reducer基类；
• Reducer的输入数据对应Mapper的输出数据，即为KV对形式；
• Reducer的处理流程写在reduce方法中；
• ReduceTask对每一组KV相同的K相同的执行一次reduce方法。

 package com.lzj.hadoop.wordcount;

import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

/*
 * Text 		-  输入的键（即Mapper阶段输出的键）
 * IntWritable 	- 输入的值(个数)(即Mapper阶段输出的值)
 * Text 		- 输出的键
 * IntWritable 	- 输出的值
 * */
public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable>{
	
	/*text为输入的键，value为输入的内容*/
	@Override
	protected void reduce(Text text, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
		/*1、统计键对应的个数*/
		int sum = 0;
		for(IntWritable value : values) {
			sum = sum + value.get();
		}
		
		/*2、设置reducer的输出*/
		IntWritable v = new IntWritable();
		v.set(sum);
		context.write(text, v);
	}
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

三、Driver阶段

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。

package com.lzj.hadoop.wordcount;

import java.io.IOException;
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;

public class WordCountDriver {

	public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
		/*1、获取job的配置信息*/
		Configuration conf = new Configuration();
		Job job = Job.getInstance(conf);
		
		/*2、设置jar的加载路径*/
		job.setJarByClass(WordCountDriver.class);
		
		/*3、分别设置Mapper和Reducer类*/
		job.setMapperClass(WordCountMapper.class);
		job.setReducerClass(WordCountReducer.class);
		
		/*4、设置map的输出类型*/
		job.setMapOutputKeyClass(Text.class);
		job.setMapOutputValueClass(IntWritable.class);
		
		/*5、设置最终输出的键值类型*/
		job.setOutputKeyClass(Text.class);
		job.setOutputValueClass(IntWritable.class);
		
		/*6、设置输入输出路径*/
		FileInputFormat.setInputPaths(job, new Path("D:/tmp/WordCountIn.txt"));
		FileOutputFormat.setOutputPath(job, new Path("D:/tmp/WordCountOut"));
		
		/*7、提交任务*/
		boolean flag = job.waitForCompletion(true);
		System.out.println("flag : " + flag);
		
	}
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43

测试，WordCountIn.txt文件中内容为：

zhang xue you
xie ting feng
zhang xin zhe
yu cheng qing
xiong nai jin
bao jian feng
zhang jie
zhang san feng
1
2
3
4
5
6
7
8

执行程序之后，WordCountOut目录下，打开part-r-00000，内容如下：

bao	1
cheng	1
feng	3
jian	1
jie	1
jin	1
nai	1
qing	1
san	1
ting	1
xie	1
xin	1
xiong	1
xue	1
you	1
yu	1
zhang	4
zhe	1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

四、集群测试

下面把上述代码打包成jar，放到hadoop集群上进行运行，修改WordCountDriver类中输入文件和输出文件路径，设置成参数形式，便于测试

/*6、设置输入输出路径*/
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
1
2
3

通过maven打包成jar，pom依赖如下：

<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
  <modelVersion>4.0.0</modelVersion>
  <groupId>com.lzj</groupId>
  <artifactId>hdfs</artifactId>
  <version>0.0.1-SNAPSHOT</version>
  
	<dependencies>
		<dependency>
			<groupId>junit</groupId>
			<artifactId>junit</artifactId>
			<version>RELEASE</version>
		</dependency>
		<dependency>
			<groupId>org.apache.logging.log4j</groupId>
			<artifactId>log4j-core</artifactId>
			<version>2.8.2</version>
		</dependency>
		<dependency>
			<groupId>org.apache.hadoop</groupId>
			<artifactId>hadoop-common</artifactId>
			<version>2.7.2</version>
		</dependency>
		<dependency>
			<groupId>org.apache.hadoop</groupId>
			<artifactId>hadoop-client</artifactId>
			<version>2.7.2</version>
		</dependency>
		<dependency>
			<groupId>org.apache.hadoop</groupId>
			<artifactId>hadoop-hdfs</artifactId>
			<version>2.7.2</version>
		</dependency>
		<dependency>
			<groupId>jdk.tools</groupId>
			<artifactId>jdk.tools</artifactId>
			<version>1.8</version>
			<scope>system</scope>
			<systemPath>${JAVA_HOME}/lib/tools.jar</systemPath>
		</dependency>
		
	</dependencies>
	
	<build>
		<plugins>
			<plugin>
				<artifactId>maven-compiler-plugin</artifactId>
				<version>2.3.2</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>
					<archive>
						<manifest>
							<mainClass>com.lzj.hadoop.wordcount.WordCountDriver</mainClass>
						</manifest>
					</archive>
				</configuration>
				<executions>
					<execution>
						<id>make-assembly</id>
						<phase>package</phase>
						<goals>
							<goal>single</goal>
						</goals>
					</execution>
				</executions>
			</plugin>
		</plugins>
	</build>
  
</project>
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78

执行maven install， 把生成的jar重命名成wordcount.jar，放到集群上，然后把测试的输入文件WordCountIn.txt文件放置到HDFS上的/user/lzj目录下，下面在hadoop集群中执行该jar

hadoop jar wordcount.jar  com.lzj.hadoop.wordcount.WordCountDriver /user/lzj/WordCountIn.txt /user/lzj/output
1

执行成功后会在hdfs上/user/lzj/output目录下生成结果。