MapReduce 分布式计算系统

一，实验步骤

MapReduce编程入门实例之WordCount：分别在Eclipse和Hadoop集群上运行

1. 在Eclipse环境下运行MapReduce程序（WordCount程序）
   　　首先看一下我的项目结构和WordCount程序：
   　　

其中word.txt将作为我们测试的输入文件，内容如下：

程序代码如下所示：

  1 package com.hadoop.WordCount;
  2 
  3 import java.io.IOException;
  4 import java.util.StringTokenizer;
  5 import org.apache.hadoop.conf.Configuration;
  6 import org.apache.hadoop.fs.FileSystem;
  7 import org.apache.hadoop.fs.Path;
  8 import org.apache.hadoop.io.IntWritable;
  9 import org.apache.hadoop.io.Text;
 10 import org.apache.hadoop.mapreduce.Job;
 11 import org.apache.hadoop.mapreduce.Mapper;
 12 import org.apache.hadoop.mapreduce.Reducer;
 13 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
 14 import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
 15 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
 16 import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
 17 
 18 @SuppressWarnings("unused")
 19 public class WordCount {
 20 
 21     public static class TokenizerMapper extends
 22             Mapper
 23 //            为什么这里k1要用Object、Text、IntWritable等，而不是java的string啊、int啊类型，当然，你可以用其他的，这样用的好处是，因为它里面实现了序列化和反序列化。
 24 //            可以让在节点间传输和通信效率更高。这就为什么hadoop本身的机制类型的诞生。
 25     
 26     
 27             //这个Mapper类是一个泛型类型，它有四个形参类型，分别指定map函数的输入键、输入值、输出键、输出值的类型。hadoop没有直接使用Java内嵌的类型，而是自己开发了一套可以优化网络序列化传输的基本类型。
 28             //这些类型都在org.apache.hadoop.io包中。
 29             //比如这个例子中的Object类型，适用于字段需要使用多种类型的时候，Text类型相当于Java中的String类型，IntWritable类型相当于Java中的Integer类型
 30             {
 31             //定义两个变量或者说是定义两个对象，叫法都可以
 32         private final static IntWritable one = new IntWritable(1);//这个1表示每个单词出现一次，map的输出value就是1.
 33                                     //因为，v1是单词出现次数，直接对one赋值为1
 34         private Text word = new Text();
 35         
 36         public void map(Object key, Text value, Context context)
 37         //context它是mapper的一个内部类，简单的说顶级接口是为了在map或是reduce任务中跟踪task的状态，很自然的MapContext就是记录了map执行的上下文，在mapper类中，这个context可以存储一些job conf的信息，比如job运行时参数等，
 38         //我们可以在map函数中处理这个信息，这也是Hadoop中参数传递中一个很经典的例子，同时context作为了map和reduce执行中各个函数的一个桥梁，这个设计和Java web中的session对象、application对象很相似
 39         //简单的说context对象保存了作业运行的上下文信息，比如：作业配置信息、InputSplit信息、任务ID等
 40         //我们这里最直观的就是主要用到context的write方法。
 41         //说白了，context起到的是连接map和reduce的桥梁。起到上下文的作用！
 42         
 43                 throws IOException, InterruptedException {
 44             //The tokenizer uses the default delimiter set, which is " \t\n\r": the space character, the tab character, the newline character, the carriage-return character
 45             StringTokenizer itr = new StringTokenizer(value.toString());//将Text类型的value转化成字符串类型
 46             
 47             //使用StringTokenizer类将字符串“hello,java,delphi,asp,PHP”分解为单个单词
 48 //            程序的运行结果为:
 49 //                  hello
 50 //                  java
 51 //                  delphi
 52 //                  asp
 53 //                  php
 54             
 55             
 56             while (itr.hasMoreTokens()) {
 57 //                实际上就是java.util.StringTokenizer.hasMoreTokens()
 58 //                hasMoreTokens() 方法是用来测试是否有此标记生成器的字符串可用更多的标记。
 59                 word.set(itr.nextToken());
 60                 context.write(word, one);
 61             }
 62         }
 63     }
 64 
 65     public static class IntSumReducer extends
 66             Reducer {
 67         private IntWritable result = new IntWritable();
 68         public void reduce(Text key, Iterable values,
 69                 Context context) throws IOException, InterruptedException {
 70             //我们这里最直观的就是主要用到context的write方法。
 71             //说白了，context起到的是连接map和reduce的桥梁。起到上下文的作用！
 72             
 73             int sum = 0;
 74             for (IntWritable val : values) {//叫做增强的for循环，也叫for星型循环
 75                 sum += val.get();
 76             }
 77             result.set(sum);
 78             context.write(key, result);
 79         }
 80     }
 81 
 82     public static void main(String[] args) throws Exception {
 83         Configuration conf = new Configuration();//程序里，只需写这么一句话，就会加载到hadoop的配置文件了
 84         //Configuration类代表作业的配置，该类会加载mapred-site.xml、hdfs-site.xml、core-site.xml等配置文件。
 85         
 86         //删除已经存在的输出目录
 87         Path mypath = new Path("hdfs://Centpy:9000/test/wordcount-out");//输出路径
 88         FileSystem hdfs = mypath.getFileSystem(conf);//程序里，只需写这么一句话，就可以获取到文件系统了。
 89         //FileSystem里面包括很多系统，不局限于hdfs，是因为，程序读到conf，哦，原来是hadoop集群啊。这时，才认知到是hdfs
 90         
 91         //如果文件系统中存在这个输出路径，则删除掉，保证输出目录不能提前存在。
 92         if (hdfs.isDirectory(mypath)) {
 93             hdfs.delete(mypath, true);
 94         }
 95         
 96         //job对象指定了作业执行规范，可以用它来控制整个作业的运行。
 97         Job job = Job.getInstance();// new Job(conf, "word count");
 98         job.setJarByClass(WordCount.class);//我们在hadoop集群上运行作业的时候，要把代码打包成一个jar文件，然后把这个文件
 99         //传到集群上，然后通过命令来执行这个作业，但是命令中不必指定JAR文件的名称，在这条命令中通过job对象的setJarByClass（）中传递一个主类就行，hadoop会通过这个主类来查找包含它的JAR文件。
100         
101         job.setMapperClass(TokenizerMapper.class);
102         //job.setReducerClass(IntSumReducer.class);
103         job.setCombinerClass(IntSumReducer.class);//Combiner最终不能影响reduce输出的结果
104 //                                这句话要好好理解!!!
105         
106         
107         
108         job.setOutputKeyClass(Text.class);
109         job.setOutputValueClass(IntWritable.class);
110         //一般情况下mapper和reducer的输出的数据类型是一样的，所以我们用上面两条命令就行，如果不一样，我们就可以用下面两条命令单独指定mapper的输出key、value的数据类型
111         //job.setMapOutputKeyClass(Text.class);
112         //job.setMapOutputValueClass(IntWritable.class);
113         //hadoop默认的是TextInputFormat和TextOutputFormat,所以说我们这里可以不用配置。
114         //job.setInputFormatClass(TextInputFormat.class);
115         //job.setOutputFormatClass(TextOutputFormat.class);
116         
117         FileInputFormat.addInputPath(job, new Path(
118                 "hdfs://Centpy:9000/test/word.txt"));//FileInputFormat.addInputPath（）指定的这个路径可以是单个文件、一个目录或符合特定文件模式的一系列文件。
119         //从方法名称可以看出，可以通过多次调用这个方法来实现多路径的输入。        
120         FileOutputFormat.setOutputPath(job, new Path(
121                 "hdfs://Centpy:9000/hdfsOutput"));//只能有一个输出路径，该路径指定的就是reduce函数输出文件的写入目录。
122         //特别注意：输出目录不能提前存在，否则hadoop会报错并拒绝执行作业，这样做的目的是防止数据丢失，因为长时间运行的作业如果结果被意外覆盖掉，那肯定不是我们想要的
123         System.exit(job.waitForCompletion(true) ? 0 : 1);
124         //使用job.waitForCompletion（）提交作业并等待执行完成，该方法返回一个boolean值，表示执行成功或者失败，这个布尔值被转换成程序退出代码0或1，该布尔参数还是一个详细标识，所以作业会把进度写到控制台。
125         //waitForCompletion(）提交作业后，每秒会轮询作业的进度，如果发现和上次报告后有改变，就把进度报告到控制台，作业完成后，如果成功就显示作业计数器，如果失败则把导致作业失败的错误输出到控制台
126     }
127 }
128 
129 //TextInputFormat是hadoop默认的输入格式，这个类继承自FileInputFormat,使用这种输入格式，每个文件都会单独作为Map的输入，每行数据都会生成一条记录，每条记录会表示成的形式。
130 //key的值是每条数据记录在数据分片中的字节偏移量，数据类型是LongWritable.
131 //value的值为每行的内容，数据类型为Text。
132 //
133 //实际上InputFormat（）是用来生成可供Map处理的的。
134 //InputSplit是hadoop中用来把输入数据传送给每个单独的Map(也就是我们常说的一个split对应一个Map),
135 //InputSplit存储的并非数据本身，而是一个分片长度和一个记录数据位置的数组。
136 //生成InputSplit的方法可以通过InputFormat（）来设置。
137 //当数据传给Map时，Map会将输入分片传送给InputFormat（），InputFormat()则调用getRecordReader()生成RecordReader,RecordReader则再通过creatKey()和creatValue()创建可供Map处理的对。
138 //
139 //OutputFormat()
140 //默认的输出格式为TextOutputFormat。它和默认输入格式类似，会将每条记录以一行的形式存入文本文件。它的键和值可以是任意形式的，因为程序内部会调用toString()将键和值转化为String类型再输出。

接下来我们右键选择“Run As --> Java Aplication / Run on Hadoop”运行程序，控制台情况如下：
　　

然后，右键我们的DFS Locations，执行刷新命令，此时运行结果也出现在目录里了，如下所示：
　　

　　具体内容如下：
　　

　　显然这是正确的结果。

2. 在Hadoop集群上运行MapReduce程序（WordCount程序）

在导出为jar包之前需要对代码进行一点小小的修改。在Eclipse环境下运行时我们需要将输入输出目录写死才能正常执行，但在Hadoop上执行时需要更灵活的方法，所以使用数组（args[]）来代替，在执行运行命令时再指定路径！（这一点很重要，否则会报错而无法运行）。

接下来，我们需要将我们的项目导出为Jar包。
　　

然后使用rz命令（如果没有安装请使用命令进行安装，-y表示直接确认，在后面的安装过程可以不用再等待确认）上传到Hadoop目录下。

yum -y install lrzsz

　上传之后我们输入以下命令来运行我们的MapReduce程序。

hadoop jar WordCount.jar com.hadoop.WordCount.WordCount /test /hdfsOutput

现在输入以下命令以查看输出路径及结果文件：

hadoop fs -ls /hdfsOutput
hadoop fs -cat /hdfsOutput/part-r-00000

显然，结果和在Eclipse环境下的一致。