【Hadoop基础教程】Hadoop之单词计数wordcount

单词计数是最简单也是最能体现MapReduce思想的程序之一，可以称为MapReduce版“Hello World”，该程序的完整代码可以在Hadoop安装包的src/example目录下找到。单词计数主要完成的功能：统计一系列文本文件中每个单词出现的次数，如下图所示。本blog将通过分析WordCount源码来帮助大家摸清MapReduce程序的基本结构和运行机制。

开发环境

---

硬件环境：Centos 6.5 服务器4台（一台为Master节点，三台为Slave节点）
软件环境：Java 1.7.0_45、hadoop-1.2.1

1、 WordCount的Map过程

---

Map过程需要继承org.apache.hadoop.mapreduce包中Mapper类，并重写其map方法。Map方法中的value值存储的是文本文件中的一行记录（以回车符为结束标记），而key值为该行的首字符相对于文本文件的首地址的偏移量。然后StringTokenizer类将每一行拆分成一个个的单词，并将

import java.io.IOException;

import org.apache.commons.lang.StringUtils;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

public class WCMapper extends Mapper{
        @Override
        protected void map(LongWritable key, Text value,Context context)
                throws IOException, InterruptedException {
                String line = value.toString();
                String[] words = StringUtils.split(line," ");
                for(String word:words){
                    context.write(new Text(word), new LongWritable(1));
                }
        }
}

2、 WordCount的Reduce过程

---

Reduce过程需要继承org.apache.hadoop.mapreduce包中的Reduce类，并重写其reduce方法。Reduce方法的输入参数key为单个单词，而values是由各Mapper上对应单词的计数值所组成的列表，所以只要遍历values并求和，即可得到某个单词出现的总次数。
IntSumReducer类的实现代码如下，详细源码请参考：WordCount\src\WordCount.java。

public static class IntSumReducer 
   extends Reducer {
    private IntWritable result = new IntWritable();

    public void reduce(Text key, Iterable values, Context context
                       ) throws IOException, InterruptedException {
      //输入参数key为单个单词;
      //输入参数Iterable values为各个Mapper上对应单词的计数值所组成的列表。
      int sum = 0;
      for (IntWritable val : values) {//遍历求和
        sum += val.get();
      }
      result.set(sum);
      context.write(key, result);//输出求和后的
    }
}

3、 WordCount的驱动执行过程

---

在MapReduce中，由Job对象负责管理和运行一个计算任务，并通过Job的一些方法对任务的参数进行相关的设置。此处设置了使用TokenizerMapper完成Map过程和使用IntSumReducer完成Combine和Reduce过程。还设置了Map过程和Reduce过程的输出类型：key的类型为Text，value的类型为IntWritable。任务的输入和输出路径则由命令行参数指定，并由FileInputFormat和FileOutputFormat分别设定。完成相应任务的参数设定后，即可调用job.waitForCompletion()方法执行任务。
驱动函数实现代码如下，详细源码请参考：WordCount\src\WordCount.java。

public static void main(String[] args) throws Exception {
    Configuration conf = new Configuration();
    String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
    if (otherArgs.length != 2) {
      System.err.println("Usage: wordcount  ");
      System.exit(2);
    }
    Job job = new Job(conf, "word count");
    job.setJarByClass(WordCount.class);
    //设置Mapper、Combiner、Reducer方法
    job.setMapperClass(TokenizerMapper.class);
    job.setCombinerClass(IntSumReducer.class);
    job.setReducerClass(IntSumReducer.class);
    //设置了Map过程和Reduce过程的输出类型，设置key的输出类型为Text，value的输出类型为IntWritable；
    job.setOutputKeyClass(Text.class);
    job.setOutputValueClass(IntWritable.class);
    //设置任务数据的输入、输出路径；
    FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
    FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
    //执行job任务，执行成功后退出；
    System.exit(job.waitForCompletion(true) ? 0 : 1);
}

4、 WordCount的处理过程

---

如上所述给出了WordCount的设计思路及源码分析过程，但很多细节都未被提及，本节将根据MapReduce的处理工程，对WordCount进行更详细的讲解。详细的执行步骤如下：
1）将文件拆分成splits，由于测试用的文件较小，所以每个文件为一个split，并将文件按行分割形成< key,value >对，如图所示。这一步由MapReduce框架自动完成，其中偏移量（即key值）包括了回车符所占的字符数（Windows和Linux环境下会不同）。

2）将分割好的< key,value>对交给用户定义的map方法进行处理，生成新的< key,value >对，如图所示：

3）得到map方法输出的< key,value>对后，Mapper会将它们按照key值进行排序，并执行Combine过程，将key值相同的value值累加，得到Mapper的最终输出结果，如图所示：

4） Reducer先对从Mapper接收的数据进行排序，再交由用户自定义的reducer方法进行处理，得到新的< key,value>对，并作为WordCount的输出结果，如图所示：

5、 WordCount的最小驱动

---

MapReduce框架在幕后默默地完成了很多事情，如果不重写map和reduce方法，它会不会就此罢工了？下面设计一个“WordCount最小驱动”MapReduce—LazyMapReduce，该类只对任务进行必要的初始化及输入/输出路径的设置，其余的参数（如输入/输出类型、map方法、reduce方法等）均保持默认状态。LazyMapReduce的实现代码如下：

public class LazyMapReduce {

  public static void main(String[] args) throws Exception {
    Configuration conf = new Configuration();
    String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
    if (otherArgs.length != 2) {
      System.err.println("Usage: wordcount  ");
      System.exit(2);
    }
    Job job = new Job(conf, "LazyMapReduce");
        //设置任务数据的输入、输出路径；
    FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
    FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
        //执行job任务，执行成功后退出；
    System.exit(job.waitForCompletion(true) ? 0 : 1);
  }
}

可以看出在默认情况下，MapReduce原封不动地将输入

6、部署运行

---

1）部署源码

#设置工作环境
[hadoop@K-Master ~]$ mkdir -p /usr/hadoop/workspace/MapReduce
#部署源码
将WordCount 文件夹拷贝到/usr/hadoop/workspace/MapReduce/ 路径下；

… 你可以直接 下载 WordCount

2）编译文件

在使用javac编译命令时，我们用到了两个参数：-classpath指定编译该类所需要的核心包，-d指定编译后生成的class文件的存放路径；最后的WordCount.java表示编译的对象是当前文件夹下的WordCount.java类。

[hadoop@K-Master ~]$ cd /usr/hadoop/workspace/MapReduce/WordCount
[hadoop@K-Master WordCount]$ javac -classpath /usr/hadoop/hadoop-core-1.2.1.jar:/usr/hadoop/lib/commons-cli-1.2.jar -d bin/ src/WordCount.java
#查看编译结果
[hadoop@K-Master WordCount]$ ls bin/ -la
总用量 12
drwxrwxr-x 2 hadoop hadoop  102 9月  15 11:08 .
drwxrwxr-x 4 hadoop hadoop   69 9月  15 10:55 ..
-rw-rw-r-- 1 hadoop hadoop 1830 9月  15 11:08 WordCount.class
-rw-rw-r-- 1 hadoop hadoop 1739 9月  15 11:08 WordCount$IntSumReducer.class
-rw-rw-r-- 1 hadoop hadoop 1736 9月  15 11:08 WordCount$TokenizerMapper.class

3）打包jar文件

在使用jar命令进行打包class文件时，我们用到了两个参数：-cvf表示打包class文件并显示详细的打包信息，-C指定打包的对象；命令最后的“.”表示将打包生成的文件保存在当前目录下。

[hadoop@K-Master WordCount]$ jar -cvf WordCount.jar -C bin/ .
已添加清单
正在添加: WordCount$TokenizerMapper.class(输入 = 1736) (输出 = 754)(压缩了 56%)
正在添加: WordCount$IntSumReducer.class(输入 = 1739) (输出 = 74

特别注意：打包命令最后一个字符为“.”，表示将打包生成的文件WordCount.jar保存到当前文件夹下，输入命令时特别留心。

4）启动Hadoop集群

如果HDFS已经启动，则不需要执行以下命令，可通过jps命令查看HDFS是否已经启动

[hadoop@K-Master WordCount]$ start-dfs.sh      #启动HDFS文件系统
[hadoop@K-Master WordCount]$ start-mapred.sh       #启动MapReducer服务
[hadoop@K-Master WordCount]$ jps
5082 JobTracker
4899 SecondaryNameNode
9048 Jps
4735 NameNode

5）上传输入文件到HDFS

在MapReduce中，一个准备提交执行的应用程序称为“作业（Job）”，Master节点将对该Job划分成多个task运行于各计算节点上（Slave节点），而task任务输入输出的数据均是基于HDFS分布式文件管理系统，故需要将输入数据上传到HDFS分布式文件管理系统之上，如下所示。

#在HDFS上创建输入/输出文件夹
[hadoop@K-Master WordCount]$ hadoop fs -mkdir wordcount/input/ 
#传本地file中文件到集群的input目录下
[hadoop@K-Master WordCount]$ hadoop fs -put input/file0*.txt wordcount/input
#查看上传到HDFS输入文件夹中到文件
[hadoop@K-Master WordCount]$ hadoop fs -ls wordcount/input
Found 2 items
-rw-r--r--   1 hadoop supergroup 22 2014-07-12 19:50 /user/hadoop/wordcount/input/file01.txt
-rw-r--r--   1 hadoop supergroup 28 2014-07-12 19:50 /user/hadoop/wordcount/input/file02.txt

6）运行Jar文件

我们通过hadoop jar命令运行一个job任务，关于该命令各个参数的含义如下图所示：

[hadoop@K-Master WordCount]$ hadoop jar WordCount.jar WordCount wordcount/input wordcount/output
14/07/12 22:06:42 INFO input.FileInputFormat: Total input paths to process : 2
14/07/12 22:06:42 INFO util.NativeCodeLoader: Loaded the native-hadoop library
14/07/12 22:06:42 WARN snappy.LoadSnappy: Snappy native library not loaded
14/07/12 22:06:42 INFO mapred.JobClient: Running job: job_201407121903_0004
14/07/12 22:06:43 INFO mapred.JobClient:  map 0% reduce 0%
14/07/12 22:06:53 INFO mapred.JobClient:  map 50% reduce 0%
14/07/12 22:06:55 INFO mapred.JobClient:  map 100% reduce 0%
14/07/12 22:07:03 INFO mapred.JobClient:  map 100% reduce 33%
14/07/12 22:07:05 INFO mapred.JobClient:  map 100% reduce 100%
14/07/12 22:07:07 INFO mapred.JobClient: Job complete: job_201407121903_0004
14/07/12 22:07:07 INFO mapred.JobClient: Counters: 29

7）查看运行结果

结果文件一般由三部分组成：
1) _SUCCESS文件：表示MapReduce运行成功。
2) _logs文件夹：存放运行MapReduce的日志。
3) Part-r-00000文件：存放结果，也是默认生成的结果文件。
使用hadoop fs -ls wordcount/output命令查看输出结果目录，如下所示：

#查看FS上output目录内容
[hadoop@K-Master WordCount]$ hadoop fs -ls wordcount/output
Found 3 items
-rw-r--r--   1 hadoop supergroup  0 2014-09-15 11:11 /user/hadoop/wordcount/output/_SUCCESS
drwxr-xr-x   - hadoop supergroup  0 2014-09-15 11:10 /user/hadoop/wordcount/output/_logs
-rw-r--r--   1 hadoop supergroup 41 2014-09-15 11:11 /user/hadoop/wordcount/output/part-r-00000
使用 hadoop fs –cat wordcount/output/part-r-00000命令查看输出结果，如下所示：
#查看结果输出文件内容
[hadoop@K-Master WordCount]$ hadoop fs -cat wordcount/output/part-r-00000
Bye     1
Goodbye 1
Hadoop  2
Hello       2
World   2

到这里，整个MapReduce的快速入门就结束了。本篇blog使用一个完整的案例，从开发到部署再到查看结果，让大家对MapReduce的基本使用有所了解。