MapReduce java 并发 java mapreduce编写

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：

1. map()方法中把传入的数据转为String类型
2. 根据空格切分出单词
3. 输出<单词，1>

Reduce阶段：

1. 汇总各个key(单词)的个数，遍历value数据进行累加
2. 输出key的总数

Driver

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

（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