Hadoop 这一篇就够了

![hadoop-logo](

简介

Hadoop 是一个开源的分布式计算框架，用于解决大规模数据的存储和处理问题。它能够将多个计算节点组合成一个集群进行并行计算，从而提高数据处理的速度和效率。Hadoop 由 HDFS（Hadoop Distributed File System）和 MapReduce 两部分组成，其中 HDFS 用于存储大规模数据集，而 MapReduce 则用于并行计算。

HDFS（Hadoop Distributed File System）

HDFS 是 Hadoop 中用于存储大规模数据集的分布式文件系统。它将数据集分割成多个块，并将这些块存储在不同的计算节点上。HDFS 的设计思想是将数据复制到不同的节点上，以提供数据冗余和容错能力。下面是一个使用 HDFS 存储文件的示例代码：

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;

public class HdfsExample {
    public static void main(String[] args) throws Exception {
        Configuration conf = new Configuration();
        conf.set("fs.defaultFS", "hdfs://localhost:9000");
        FileSystem fs = FileSystem.get(conf);
        
        // 创建一个新文件，并写入数据
        Path filePath = new Path("/user/hadoop/example.txt");
        FSDataOutputStream out = fs.create(filePath);
        out.writeBytes("Hello, Hadoop!");
        out.close();
        
        // 读取文件内容
        FSDataInputStream in = fs.open(filePath);
        byte[] buffer = new byte[1024];
        int bytesRead = in.read(buffer);
        String content = new String(buffer, 0, bytesRead);
        System.out.println(content);
        in.close();
        
        // 删除文件
        fs.delete(filePath, false);
        
        fs.close();
    }
}

上述代码首先创建了一个 Configuration 对象，并设置了 HDFS 的地址。然后通过 FileSystem.get(conf) 方法获取了一个 FileSystem 对象，用于操作 HDFS。接下来，代码创建了一个新的文件，并将数据写入到该文件中。然后通过 open 方法打开文件并读取其中的内容。最后，代码删除了该文件，并关闭文件系统。

MapReduce

MapReduce 是 Hadoop 中的一个编程模型，用于将大规模数据集进行并行计算。它将计算过程分为两个阶段：Map 阶段和 Reduce 阶段。在 Map 阶段，数据被切分成多个小块，并在各个计算节点上进行处理。在 Reduce 阶段，各个节点的计算结果被合并起来得到最终结果。下面是一个使用 MapReduce 进行词频统计的示例代码：

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;

import java.io.IOException;
import java.util.StringTokenizer;

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