Mapreduce学习笔记 (一)

为什么要学Mapreduce？

Mapreduce 是Hadoop 学习中最重要的一环，只有学好了mapreduce， 才能游刃有余的解决hdfs中的各种难题。 目前， 笔者刚学完一轮mapreduce， 现在分享一下心得。

一段代码（wordcount）

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

public class WordCount2 {

	public static class TokenizerMapper extends Mapper {		
		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 {
		private IntWritable result = new IntWritable();
		
		public void reduce(Text key, Iterable 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 {		
		// 配置mapreduce的环境
		String namenode_ip = "192.168.17.10";
		String hdfs = "hdfs://" + namenode_ip + ":9000";			
		Configuration conf = new Configuration();	
		conf.set("fs.defaultFS", hdfs);
		conf.set("mapreduce.app-submission.cross-platform", "true");	
		
		//  配置mapreduce中各个阶段对应的任务
		String jobName = "WordCount2";					
		Job job = Job.getInstance(conf, jobName);
		job.setJarByClass(WordCount2.class);			
		//job.setJar("export\\WordCount2.jar");			
		job.setMapperClass(TokenizerMapper.class);
//		job.setCombinerClass(IntSumReducer.class);		
		job.setReducerClass(IntSumReducer.class);
		job.setOutputKeyClass(Text.class);
		job.setOutputValueClass(IntWritable.class);
		
		// 设置输入输出的文件路径
		String dataDir = "/expr/wordcount/data";		
		String outputDir = "/expr/wordcount/output";	
		Path inPath = new Path(hdfs + dataDir);
		Path outPath = new Path(hdfs + outputDir);
		FileInputFormat.addInputPath(job, inPath);
		FileOutputFormat.setOutputPath(job, outPath);
		
		FileSystem fs = FileSystem.get(conf);
		if(fs.exists(outPath)) {
			fs.delete(outPath, true);
		}
		
		// 开始运行
		System.out.println("Job: " + jobName + " is running...");
		if(job.waitForCompletion(true)) {
			System.out.println("success!");
			System.exit(0);
		} else {
			System.out.println("failed!");
			System.exit(1);
		}
	}

}

其中/expr/wordcount/data中文件内容如下：

goodbye world
hello world
goodbye world
hello world

输出到/expr/wordcount/output中的结果文件内容如下：

goodbye	1
hadoop	1
hello	3
world	3

这段代码比较长，接下来分成两段解释一下。

Mapper段：

public static class TokenizerMapper extends Mapper {	//构建mapper类
		private final static IntWritable one = new IntWritable(1);      // 定义一个IntWritable对象
		private Text word = new Text();		//  定义一个Text对象

		public void map(Object key, Text value, Context context ) throws IOException, InterruptedException {       //  编写map函数
	    	StringTokenizer itr = new StringTokenizer(value.toString());
	    	while (itr.hasMoreTokens()) {
	    		word.set(itr.nextToken());
	    		context.write(word, one);
	    	}
	    }
	}

1.由于Mapper的任务是读取/expr/wordcount/data中的文件，并记录每一行数据的各个单词出现的个数并且输出到reducer，所以参数类型就是， 其中Object记录目前正在处理的输入文件所在行的偏移量， Text（1）记录目前处理行所在行的内容， Text（2）记录要输出到reduce的Key值， IntWritable 记录相应Key值出现的次数。

2.在map 函数中， 先用StringTokenizer 类型的 itr 把目前正在处理的行（即value中的内容）储存起来， 由于StringTokenizer默认是按空格分割， itr中的内容就变成一个个单词，最后再用一个循环把该行的所有单词按key value写到context中去了， 例如goodbye world就变成：

goodbye    1
world      1

Reducer段：

public static class IntSumReducer extends Reducer {
		private IntWritable result = new IntWritable();
		
		public void reduce(Text key, Iterable values, Context context) throws IOException, InterruptedException {
			int sum = 0;
			for (IntWritable val : values) {
				sum += val.get();
			}
			result.set(sum);
			context.write(key, result);
	    }
	}

1.在reduce函数中， 首先定义sum 用于作为统计次数的计数器，然后开始一个循环，把所有同一组的（即key值相同，至于为什么key值相同的自动变为同一组，就要考虑到mapreduce 的shuffle过程）value 累加起来，最后将key sum 变成对应的Text和IntWritable写到context(可以认为输出到/expr/wordcount/output中)。

至于main中的代码都是一些hdfs环境的配置, 一般可以直接copy,然后根据实际稍加修改即可， 故不做解释

最后附加一份wordcount全过程的图片一张（含shuffle过程）