路嘉恒Hadoop实战

路嘉恒Hadoop实战

介绍

Hadoop是一个开源的分布式计算平台，可以处理大规模数据集并具备高容错性。它由HDFS分布式文件系统和MapReduce计算模型组成。在本文中，我们将重点讨论Hadoop的使用以及实战案例。

Hadoop的安装和配置

在开始之前，我们需要先安装和配置Hadoop。以下是安装Hadoop的步骤：

1. 下载Hadoop的最新版本，并解压缩到一个目录中。
2. 配置Hadoop的环境变量，将Hadoop的bin目录添加到系统的PATH环境变量中。
3. 修改Hadoop的配置文件，包括core-site.xml、hdfs-site.xml和mapred-site.xml。具体的配置参数可以根据实际情况进行调整。

使用Hadoop进行数据处理

一旦Hadoop安装和配置完成，我们就可以开始使用Hadoop进行数据处理了。以下是一个使用Hadoop的示例代码：

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
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 Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));
        System.exit(job.waitForCompletion(true) ? 0 : 1);
    }
}

上述代码是一个经典的Word Count示例，它用于统计一个文本文件中每个单词的出现次数。其中，TokenizerMapper类将文本文件拆分成单词，并输出(word, 1)的键值对；IntSumReducer类对每个单词的出现次数进行累加，最后输出(word, sum)的键值对。

Hadoop实战案例

分析网站访问日志

假设我们有一个网站的访问日志文件，其中包含每个访问请求的IP地址和访问时间。我们想要统计每个IP地址的访问次数，以及每个小时段内的访问次数。

以下是一个使用Hadoop进行网站访问日志分析的示例代码：

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

public class LogAnalyzer {

    public static class LogMapper extends Mapper<Object, Text, Text, IntWritable> {

        private final static IntWritable one = new IntWritable(1);
        private Text ip = new Text();

        public void map(Object key, Text value, Context context) throws IOException, InterruptedException {
            String[] fields = value.toString().split("\t");
            String ipAddress = fields[0];
            String dateTime = fields[1];