Hadoop简介及代码示例
什么是Hadoop?
Hadoop是一个开源的分布式框架,用于处理大规模数据集。它可以在一组计算机集群上并行处理大量数据,并提供高可靠性和高性能。
Hadoop的核心组件包括:
- Hadoop Distributed File System (HDFS):一个分布式文件系统,用于存储数据。
- MapReduce:一种用于分布式计算的编程模型,用于处理和分析存储在HDFS中的数据。
Hadoop的代码示例
下面是一个使用Hadoop MapReduce来统计文本文件中单词频率的代码示例:
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.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;
public class WordCount {
public static class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable>{
private final static IntWritable one = new IntWritable(1);
private Text word = new Text();
public void map(Object 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 {
Configuration conf = new Configuration();
Job job = Job.getInstance(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(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
}
上述代码是一个完整的使用Hadoop的MapReduce编程模型来实现单词频率统计的例子。它包含了Mapper类、Reducer类以及主函数。Mapper类负责将输入的文本文件拆分为单词,并将每个单词映射为一个键值对(word, 1)
;Reducer类负责对相同的单词进行汇总统计。主函数则负责配置和启动MapReduce任务。
总结
Hadoop是一个强大的分布式框架,可用于处理大规模数据集。通过使用Hadoop的核心组件HDFS和MapReduce,我们可以轻松地进行分布式计算和数据分析。本文给出了一个使用Hadoop进行单词频率统计的代码示例,希望能帮助读者理解Hadoop的基本原理和用法。
参考文献:
- Hadoop官方网站:[
- Hadoop: The Definitive Guide, 4th Edition, by Tom White.