Hadoop的词频统计,就相当于Java的Helloworld.
下面就来运行这个词频统计的例子和进行源码分析.
前提是已经搭好hadoop的Eclipse开发环境,具体看我的前面两篇博客.
具体学习Hadoop实例请参考这篇文章,超级详细,
Hadoop集群(第9期)_MapReduce初级案例
1,运行这个词频统计的例子
第一步,在Eclipse里面新建一个Hadoop工程,然后点击Finish即可,如下图所示:
第二步,在WordCount工程中,新建一个WordCount类,其代码如下:
import java.io.IOException;
import java.util.StringTokenizer;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;
public class WordCount {
public static class TokenizerMapper extends
Mapper<LongWritable, Text, Text, IntWritable> {
private final static IntWritable one = new IntWritable(1);
private Text word = new Text();
public void map(LongWritable key, Text value, Context context)
throws IOException, InterruptedException {
StringTokenizer itr = new StringTokenizer(value.toString());
while (itr.hasMoreTokens()) {
word.set(itr.nextToken());
context.write(word, one);
}
}
}
public static class IntSumReducer extends
Reducer<Text, IntWritable, Text, IntWritable> {
private IntWritable result = new IntWritable();
public void reduce(Text key, Iterable<IntWritable> values,
Context context) throws IOException, InterruptedException {
int sum = 0;
for (IntWritable val : values) {
sum += val.get();
}
result.set(sum);
context.write(key, result);
}
}
public static void main(String[] args) throws Exception {
String[] arg = { "hdfs://localhost:9100/user/qinsi/input",
"hdfs://localhost:9100/user/qinsi/output" };
Configuration conf = new Configuration();
String[] otherArgs = new GenericOptionsParser(conf, arg)
.getRemainingArgs();
if (otherArgs.length != 2) {
System.err.println("Usage: wordcount <in> <out>");
System.exit(2);
}
Job job = new Job(conf, "word count");
job.setJarByClass(WordCount.class);
job.setMapperClass(TokenizerMapper.class);
job.setCombinerClass(IntSumReducer.class);
job.setReducerClass(IntSumReducer.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
}
第三步:启动Hadoop,在终端中输入start-all.sh启动,然后输入jps查看进程数,如下图所示包含5个即可.
第四步:将文件file01.txt和file02.txt存入HDFS上的input文件夹中,如下图所示,首先新建文件夹input,然后导入两个文件,最后查看文件是否存在.
第五步:在eclipse运行hadoop工程,右键->run on hadoop,即可
2,例子解析
WordCount类的作用就是统计文本文件中单词出现的个数.它的输入是目录或者文件,在Hadoop中输入是目录或者文件代码都是一样的,它最终都是分块存储的.它的输
出是一个文本文件,里面每一行是单词及相应的频次.这个类包括一个主函数和两个内部类TokenizerMapper和IntSumReducer.在主函数中,首先新建一个Configuration对
象,加载一些默认的配置.然后新建一个Job对象,在Hadoop中都是以Job的方式工作.再之后设置一些类型属性,当Combine函数和Reducer函数一样的时候,就说明
Reducer函数的输入和输出是一致的.
Map处理的是一个纯文本文件,文件中存放的数据是很多单词。Mapper处理的数据是由InputFormat分解过的数据集,其中InputFormat的作用是将数据集切割成小数据集
InputSplit,每一个InputSlit将由一个Mapper负责处理。此外,InputFormat中还提供了一个RecordReader的实现,并将一个InputSplit解析成<key,value>对提供给了map函数。
InputFormat的默认值是TextInputFormat,它针对文本文件,按行将文本切割成InputSlit,并用LineRecordReader将InputSplit解析成<key,value>对,key是行在文本中的位
置,value是文件中的一行。Map的结果会通过partion分发到Reducer,Reducer做完Reduce操作后,将通过以格式OutputFormat输出。Mapper最终处理的结果对
<key,value>,会送到Reducer中进行合并,合并的时候,有相同key的键/值对则送到同一个Reducer上。Reducer是所有用户定制Reducer类地基础,它的输入是key和这个key
对应的所有value的一个迭代器,同时还有Reducer的上下文。Reduce的结果由Reducer.Context的write方法输出到文件中。