1、Mapper类
- 用户自定义一个Mapper类继承Hadoop的Mapper类
- Mapper的输入数据是KV对的形式(类型可以自定义)
- Map阶段的业务逻辑定义在map()方法中
- Mapper的输出数据是KV对的形式(类型可以自定义)
注意:map()方法是对输入的一个KV对调用一次!!
2、Reducer类
- 用户自定义Reducer类要继承Hadoop的Reducer类
- Reducer的输入数据类型对应Mapper的输出数据类型(KV对)
- Reducer的业务逻辑写在reduce()方法中
- Reduce()方法是对相同K的一组KV对调用执行一次
3、Driver阶段
创建提交YARN集群运行的Job对象,其中封装了MapReduce程序运行所需要的相关参数入输入数据路径,输出数据路径等,也相当于是一个YARN集群的客户端,主要作用就是提交我们MapReduce程序运行。
4、WordCount代码实现
4.1、需求
- 在给定的文本文件中统计输出每一个单词出现的总次数
- 输入数据:wc.txt;
- 输出:
apache 2
clickhouse 2
hadoop 1
mapreduce 1
spark 2
xiaoming 1
4.2、具体步骤
按照MapReduce编程规范,分别编写Mapper,Reducer,Driver。
(1)新建maven工程
- 导入hadoop依赖
<?xml version="1.0" encoding="UTF-8"?>
<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.lagou</groupId>
<artifactId>Wordcount</artifactId>
<version>1.0-SNAPSHOT</version>
<dependencies>
<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>2.9.2</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>2.9.2</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-hdfs</artifactId>
<version>2.9.2</version>
</dependency>
</dependencies>
<build>
<plugins>
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-compiler-plugin</artifactId>
<version>3.5.1</version>
<configuration>
<source>1.8</source>
<target>1.8</target>
</configuration>
</plugin>
<!--maven打包插件 -->
<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>
</configuration>
<executions>
<execution>
<id>make-assembly</id>
<phase>package</phase>
<goals>
<goal>single</goal>
</goals>
</execution>
</executions>
</plugin>
</plugins>
</build>
</project>
- 添加log4j.properties
log4j.rootLogger=INFO, stdout
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/spring.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n
(2)整体思路梳理(仿照源码)
Map阶段:
- map()方法中把传入的数据转为String类型
- 根据空格切分出单词
- 输出<单词,1>
Reduce阶段:
- 汇总各个key(单词)的个数,遍历value数据进行累加
- 输出key的总数
Driver
- 获取配置文件对象,获取job对象实例
- 指定程序jar的本地路径
- 指定Mapper/Reducer类
- 指定Mapper输出的kv数据类型
- 指定最终输出的kv数据类型
- 指定job处理的原始数据路径
- 指定job输出结果路径
- 提交作业
(3)编写Mapper类
package com.lagou.mr.wc;
import org.apache.hadoop.io.*;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
// 继承Mapper类
// Mapper类的泛型参数共四个,2对kv
/*
* 第一对kv:map输入参数类型
* 第二队kv:map输出参数类型
* LongWritable, Text ->文本偏移量(后面不会用到),一行文本内容
* Text, IntWritable ->单词,1
*/
public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
// 重写Mapper类的map方法
/**
* 1、接收文本内容,转为String类型
* 2、按照空格进行拆分
* 3、输出<单词, 1>
*/
// 提升为全局方法,避免每次执行map方法,都执行此操作
Text word = new Text();
IntWritable one = new IntWritable(1);
// LongWritable, Text ->文本偏移量,一行文本内容,map方法的输入参数,一行文本调用一次map方法
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
// 1、接收文本内容,转为String类型
String str = value.toString();
// 2、按照空格进行拆分
String[] words = str.split(" ");
// 3、输出<单词, 1>
// 遍历数据
for (String s : words) {
word.set(s);
context.write(word, one);
}
}
}
继承的Mapper类型选择新版本API:
(4)编写Reducer类
package com.lagou.mr.wc;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.io.*;
import java.io.IOException;
// 继承的Reducer类有四个泛型参数 2对kv
// 第一对kv:类型要与Mapper输出类型一致:Text, IntWritable
public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
// 1、重写reduce方法
// Text key:map方法输出的key,本案中就是单词,
// Iterable<IntWritable> values: 一组key相同的kv的value组成的集合
/**
* 假设map方法:hello 1; hello 1; hello 1
* reduce的key和value是什么
* key:hello
* values:<1,1,1>
* <p>
* 假设map方法输出:hello 1, hello 1, hadoop 1, mapreduce 1, hadoop 1
* reduce的key和value是什么?
* reduce方法何时调用:一组key相同的kv中的value组成集合然后调用一次reduce方法
* 第一次:key:hello ,values:<1,1,1>
* 第二次:key:hadoop ,values<1,1>
* 第三次:key:mapreduce ,values<1>
*/
IntWritable total = new IntWritable();
@Override
protected void reduce(Text key, Iterable<IntWritable> values, Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException {
// 2、遍历key对应的values,然后累加结果
int sum = 0;
for (IntWritable value : values) {
int i = value.get();
sum += 1;
}
// 3、直接输出当前key对应的sum值,结果就是单词出现的总次数
total.set(sum);
context.write(key, total);
}
}
选择继承的Reducer类
(5) 编写Driver驱动类
package com.lagou.mr.wc;
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;
import java.io.IOException;
// 封装任务并提交运行
public class WordCountDriver {
public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {
/*
1. 获取配置文件对象,获取job对象实例
2. 指定程序jar的本地路径
3. 指定Mapper/Reducer类
4. 指定Mapper输出的kv数据类型
5. 指定最终输出的kv数据类型
6. 指定job处理的原始数据路径
7. 指定job输出结果路径
8. 提交作业
*/
// 1. 获取配置文件对象,获取job对象实例
Configuration conf = new Configuration();
Job job = Job.getInstance(conf, "WordCountDriver");/// jobName可以自定义
// 2. 指定程序jar的本地路径
job.setJarByClass(WordCountDriver.class);
// 3. 指定Mapper/Reducer类
job.setMapperClass(WordCountMapper.class);
job.setReducerClass(WordCountReducer.class);
// 4. 指定Mapper输出的kv数据类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
// 5. 指定最终输出的kv数据类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
// 6. 指定job处理的原始数据路径
FileInputFormat.setInputPaths(job, new Path(args[0])); // 指定读取数据的原始路径
// 7. 指定job输出结果路径
FileOutputFormat.setOutputPath(job, new Path(args[1])); // 指定结果数据输出路径
// 8. 提交作业
boolean flag = job.waitForCompletion(true);
// jvm退出:正常退出0,非0值则是错误退出
System.exit(flag ? 0 : 1);
}
}
运行任务
1、本地模式
直接Idea中运行驱动类即可
idea运行需要传入参数:
选择editconfiguration
在program arguments设置参数
运行结束,去到输出结果路径查看结果
注意本地idea运行mr任务与集群没有任何关系,没有提交任务到yarn集群,是在本地使用多线程方式模拟的mr的运行。
2、Yarn集群模式
把程序打成jar包,改名为wc.jar;上传到Hadoop集群
选择合适的Jar包
准备原始数据文件,上传到HDFS的路径,不能是本地路径,因为跨节点运行无法获取数据!!
启动Hadoop集群(Hdfs,Yarn)
使用Hadoop 命令提交任务运行
hadoop jar wc.jar com.lagou.wordcount.WordcountDriver /user/lagou/input /user/lagou/output
Yarn集群任务运行成功展示图