2019獨角獸企業重金招聘Python工程師標準>>>

學寫代碼的時候，我們總是先從helloworld開始寫起，那么學習Hadoop，我們也必不可少的從helloworld開始，那么WordCount作為經典的Hadoop程序，可以作為我們庖丁解牛的材料，進而從代碼的角度學習一下mapreduce的實現過程。下面我們就開始一步步的探索。

先從源碼看起，再一步步剖析

package org.apache.hadoop.examples;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; import org.apache.hadoop.util.GenericOptionsParser;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();conf.set("mapred.job.tracker", "172.16.10.15:9001");//自己額外加的代碼String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();if (otherArgs.length != 2) {System.err.println("Usage: wordcount <in> <out>");System.exit(2);}Job job = new Job(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(otherArgs[0]));FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));System.exit(job.waitForCompletion(true) ? 0 : 1);} }

大家可以看到整個源代碼分為三個部分：

1. Map

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);}}}

a) 定義一個自己的Map過程，TokenizerMapper 這個類名自己設定，這個類需要繼承org.apache.hadoop.mapreduce包中的Mapper類，四個參數分別表示輸入鍵key的參數類型，輸入值value的參數類型，輸出鍵key的參數類型，輸出值value的參數類型。 值得注意的是Hadoop本身提供了一套可優化的網絡序列化傳輸的基本類型，而不是用java內嵌的類型。這些類型都是在org.apache.hadoop.io包中。其中LongWritable類型相當于Long類型，Text類型相當于String類型，IntWritable相當于Integer類型。
b) map方法中參數value是指文本文件中的一行，參數key是為該行首字母相對于文本文件首地址的偏移量
c) StringTokenizer類是一個用來分隔String的應用類，類似于split。

//它的構造函數有三種： public StringTokenizer(String str) public StringTokenizer(String str,String delim) public StringTokenizer(String str,String delim,boolean returnDelims) //其中第一個參數為要分隔的String,第二個參數為分隔字符集合，第三個參數為分隔符是否作為標記返回，如果不指定分隔符，默認是'\t\n\r\f' //它的方法主要有三種： public boolean hasMoreTokens()//返回是否還有分隔符 public String nextToken()//返回從當前位置到下一個分隔符的字符串 public int countTokens()//返回nextToken方法被調用的次數

d) 經過StringTolenizer 處理之后會得到一個個 < word,1 > 這樣的鍵值對，放在context里，Context用于輸出內容的寫入，讀起來有點兒繞口，自己理解一下。

2. Reduce

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);} }

a) 同mapper 過程一樣，Reduce過程需要繼承org.apache.hadoop.mapreduce包中Reducer類，并重寫其reduce方法。?
b) reduce方法中輸入參數key 指單個單詞，values 指對應單詞的計數值的列表?
c) reduce 方法的目的就是對列表的值進行加和處理?
d) 輸出的是< key,value>,key 指單個單詞，value 指對應單詞的計數值的列表的值的總和。

3. Main

public static void main(String[] args) throws Exception {Configuration conf = new Configuration();conf.set("mapred.job.tracker", "172.16.10.15:9001");//自己額外加的代碼String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();if (otherArgs.length != 2) {System.err.println("Usage: wordcount <in> <out>");System.exit(2);}Job job = new Job(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(otherArgs[0]));FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));System.exit(job.waitForCompletion(true) ? 0 : 1); }

a) Configuration conf = new Configuration(); 默認情況下，Configuration開始實例化的時候，會從Hadoop的配置文件里讀取參數。?
b) conf.set(“mapred.job.tracker”, “172.16.10.15:9001”);設置這句代碼是由于我們要把使用eclipse提交作業到Hadoop集群，所以手動添加Job運行地址。若是直接在Hadoop 集群進行運行，不用加這句代碼。 而且你可以看到只要前三句使用了這個代碼，所以這三句以后的代碼才是所有Hadoop例子中都會包含的。
c) 接下來這一句也是讀取參數，這里是從命令行參數里讀取參數。?
d) Job job = new Job(conf, “word count”); 在MapReduce處理過程中，由Job對象負責管理和運行一個計算任務，然后通過Job的若干方法來對任務的參數進行設置?！眞ord count”是Job的名字，(當然了，根據所有java語言規范規定的那樣，你也可以用

Job job = new Job(); job.setJobName("Name");

的形式做聲明)。?
e) job.setJarByClass(WordCount.class);是根據WordCount類的位置設置Jar文件 。

為什么要這么做？因為我們在Hadoop集群上運行這個作業時候，要把代碼打包成一個JAR文件，用以在集群上發布這個文件。Hadoop利用這個傳遞進去的類來查找包含它的JAR文件。
f) job.setMapperClass(TokenizerMapper.class);設置Mapper?
g) job.setCombinerClass(IntSumReducer.class);設置Combiner,這里先使用Reduce類來進行Mapper 的中間結果的合并，能夠減輕網絡傳輸的壓力。?
h) job.setReducerClass(IntSumReducer.class);設置Reduce?
i) job.setOutputKeyClass(Text.class);和 job.setOutputValueClass(IntWritable.class);分別是設置輸出鍵的類型和設置輸出值的類型?
j) FileInputFormat.addInputPath(job, new Path(otherArgs[0]));設置輸入文件，它是otherArgs第一個參數?
k) FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));設置輸出文件，將輸出結果寫入這個文件里，它是otherArgs第二個參數 。

注意：在運行作業前這個輸出目錄不應該存在，否則Hadoop會報錯并拒絕運行該作業。這種預防措施的目的是防止數據丟失(如果長時間運行的數據結果被意外覆蓋，肯定是非常惱人的)。
l) System.exit(job.waitForCompletion(true) ? 0 : 1);job執行，等待執行結果

4. 各個包的功能

到此為止，三大部分就分析完畢，然后再來看看引入的有哪些類：

a） package org.apache.hadoop.examples;Java 提供包機制管理代碼，關鍵詞是package, 包名字可以自己定，但不能重復。通常為了包的唯一性，推薦使用公司域名的逆序作為包,于是有了上面例子中的‘org.apache.hadoop’這樣的包名。?
b) import java.io.IOException; 凡是以java開頭的包，在JDK1.7的API里可以找到類的資料。這里是從java.io中引入IOException,是一個輸入輸出異常類。?
c) import java.util.StringTokenizer;這是從java.util包中引入的StringTokenizer類，是一個解析文本的類。具體用法上文中已提過了。?
d) import org.apache.hadoop.conf.Configuration;凡是以org.apache.hadoop開頭的包，在Hadoop1.2.1 的API文檔可以找到類的資料。這里是從hadoop的conf包中引入Configuration類，它是一個讀寫和保存配置信息的類。?
e) import org.apache.hadoop.fs.Path; ?Path類保存文件或者目錄的路徑字符串?
f) import org.apache.hadoop.io.IntWritable; ?IntWritable是一個以類表示的可序化的整數。在java中，要表示一個整數，可以使用int類型，也可以使用integer類型，integer封裝了int類型，且integer類是可序化的。但Hadoop認為integer的可序化不合適，于是實現了IntWritable。?
g) import org.apache.hadoop.io.Text; ?從io包中引入Text類，是一個存儲字符串的可比較可序化的類。?
h) import org.apache.hadoop.mapreduce.Job; ?引入Job類，Hadoop中每個需要執行的任務是一個Job,這個Job負責參數配置、設置MapReduce細節、提交到Hadoop集群、執行控制等操作。?
i) import org.apache.hadoop.mapreduce.Mapper;引入Mapper類，負責MapReduce中的Map過程。?
j) import org.apache.hadoop.mapreduce.Reducer;引入Reduce類，負責MapReduce中的Reduce過程。?
k) import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;引入FileInputFormat類，主要功能是將文件進行切片。?
l) import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;FileOutputFormat類是將輸出結果寫入文件。?
m) import org.apache.hadoop.util.GenericOptionsParser;這個類負責解析命令行參數。

?

從代碼的功能上，我們已經對map reduce有了一個清晰的認識，那么wordcount程序具體是怎么執行的呢？

將文件file1.txt,file2.txt 上傳到hdfs中的hdfsinput1文件夾里（上傳的方式可以通過eclipse客戶端，也可以通過Hadoop命令行），然后在eclipse上編寫wordcount.java文件（也即是第一部分分析的源碼）?

由于測試用的文件較小，所以每個文件為一個split，并將文件按行分割形成< key,value>，這一步由MapReduce框架自動完成，其中key值為該行首字母相對于文本文件首地址的偏移量。?

將分割好的< key,value>對交給自己定義的map方法，輸出新的< key,value>對。?

得到map方法輸出的< key,value>對后，進行Combine操作。這里Combine 執行的是Reduce的代碼。?

同樣，在Reduce過程中先對輸入的數據進行排序，再交由自定義的reduce方法進行處理，得到新的< key,value>對，并作為WordCount的輸出結果，輸出結果存放在第一張圖的lxnoutputssss文件夾下的part-r-00000里。?

轉載于:https://my.oschina.net/hunglish/blog/782519

總結

以上是生活随笔為你收集整理的逐行分析Hadoop的HelloWorld的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。