可以毫不夸张的说,几乎开发中绝大部分的MR程序都是基于wordcount编程模型而来,或者说用wordcount变化而来(改变的主要是业务方面的逻辑)。所以,熟练掌握wordcount编程模型,是掌握MR编程的基础。
MAPREDUCE示例编写及编程规范
1.1编程规范
1用户编写的程序分成三个部分:Mapper,Reducer,Driver(提交运行mr程序的客户端)
- Mapper的输入数据是KV对的形式(KV的类型可自定义)
- Mapper的输出数据是KV对的形式(KV的类型可自定义)
- Mapper中的业务逻辑写在map()方法中
- map()方法(maptask进程)对每一个
- Reducer的输入数据类型对应Mapper的输出数据类型,也是KV
- Reducer的业务逻辑写在reduce()方法中
- Reducetask进程对每一组相同k的
- 用户自定义的Mapper和Reducer都要继承各自的父类
- 整个程序需要一个Drvier来进行提交,提交的是一个描述了各种必要信息的job对象
2.wordcount案例
1.wcmapper
package cn.itcast.bigdata.mr.wcdemo;
import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
/**
* KEYIN: 默认情况下,是mr框架所读到的一行文本的起始偏移量,Long,
* 但是在hadoop中有自己的更精简的序列化接口,所以不直接用Long,而用LongWritable
*
* VALUEIN:默认情况下,是mr框架所读到的一行文本的内容,String,同上,用Text
*
* KEYOUT:是用户自定义逻辑处理完成之后输出数据中的key,在此处是单词,String,同上,用Text
* VALUEOUT:是用户自定义逻辑处理完成之后输出数据中的value,在此处是单词次数,Integer,同上,用IntWritable
* 因为hadoop分布式计算,所以数据要经过网络传输,所以要序列化,保证数据的一致性。
*/
public class WordcountMapper extends Mapper
/**
* map阶段的业务逻辑就写在自定义的map()方法中
*maptask会对每一行输入数据调用一次我们自定义的map()方法 。maptask将读到的一行一行的传送给map方法,实际上maptask是读了很多先缓存起来,在一行行发送给map方法
*/
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//将maptask传给我们的文本内容先转换成String
String line = value.toString();
//根据空格将这一行切分成单词
String[] words = line.split(" ");
//将单词输出为<单词,1>
for(String word:words){
//将单词作为key,将次数1作为value,以便于后续的数据分发,可以根据单词分发,以便于相同单词会到相同的reduce task
context.write(new Text(word), new IntWritable(1));
}
}
2.wcreducer程序
package cn.itcast.bigdata.mr.wcdemo;
import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
/**
* KEYIN, VALUEIN 对应 mapper输出的KEYOUT,VALUEOUT类型对应
*
* KEYOUT, VALUEOUT 是自定义reduce逻辑处理结果的输出数据类型
* KEYOUT是单词
* VLAUEOUT是总次数
*/
public class WordcountReducer extends Reducer
/**
*
*
*
* 入参key,是一组相同单词kv对的key ,一组一组的。同一单词放在迭代器里。
*/
@Override
protected void reduce(Text key, Iterable
int count=0;
/*Iterator
while(iterator.hasNext()){
count += iterator.next().get(); //序列化的对象的值不能直接获取,必须要用get()方法
}*/
for(IntWritable value:values){
count += value.get(); //序列化的对象的值不能直接获取,必须要用get()方法
}
context.write(key, new IntWritable(count));
}
}
3.wcDriver
package cn.itcast.bigdata.mr.wcdemo;
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.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
/**
* 相当于一个yarn集群的客户端
* 需要在此封装我们的mr程序的相关运行参数,指定jar包
* 最后提交给yarn
* @author
*
*/
public class WordcountDriver { //不用输入参数,这种将输入输出路径写死的方式不推荐。
public static void main(String[] args) throws Exception {
if (args == null || args.length == 0) {
args = new String[2];
args[0] = "hdfs://master:9000/wordcount/input/wordcount.txt"; //统计的文本在集群上
args[1] = "hdfs://master:9000/wordcount/output8";
}
Configuration conf = new Configuration();
// conf.set("HADOOP_USER_NAME", "hadoop");
// conf.set("dfs.permissions.enabled", "false");
/*conf.set("mapreduce.framework.name", "yarn");
conf.set("yarn.resoucemanager.hostname", "mini1");*/
Job job = Job.getInstance(conf);
/*job.setJar("/home/hadoop/wc.jar");*/
//指定本程序的jar包所在的本地路径
job.setJarByClass(WordcountDriver.class);
//指定本业务job要使用的mapper/Reducer业务类
job.setMapperClass(WordcountMapper.class);
job.setReducerClass(WordcountReducer.class);
//指定mapper输出数据的kv类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
//指定最终输出的数据的kv类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
//指定job的输入原始文件所在目录
FileInputFormat.setInputPaths(job, new Path(args[0]));
//指定job的输出结果所在目录
FileOutputFormat.setOutputPath(job, new Path(args[1]));
//将job中配置的相关参数,以及job所用的java类所在的jar包,提交给yarn去运行
/*job.submit();*/不用写,因为job.waitfoCompletion(true)里面调用job.submit()方法
boolean res = job.waitForCompletion(true);
System.exit(res?0:1);
}
}
/**
*相当于一个yarn集群的客户端,
* 需要在此封装我们的mr程序相关运行参数,指定jar包
* 最后提交给yarn
* @author Administrator
*/
public class WordcountDriver{//运行需要输入参数
public static void main(String[] args) throws Exception {
//1 获取配置信息,或者job对象实例
/*如果,不本地测试的话,直接集群运行,所有的关于configuration的都可不配置
直接 Job job = new Job();即可,但实际开发中,把程序打包丢到集群上之前,要先
测试一番,没有问题,才丢到集群上。
*/
Configuration configuration = new Configuration();
Job job = Job.getInstance(configuration);
//8 配置提交到yarn上运行,windows和Linux变量不一致,因为job在封装时会封装很多参数进取,而两者的参数类型不一样,不兼容,比如$在linux,在win中是%。
//如果集群上运行程序不用配置下面关于yarn的代码,因为只要它提交的hadoop集群上,而每个结点已经配置下面这些文件,最终可以找到yarn.
//如果是本地windows状态下运行程序,则不需要configuration配置置yarn所在节点。
// configuration.set("mapreduce.framework.name", "yarn");
// configuration.set("yarn.resourcemanager.hostname", "hadoop103");
//6 指定本程序的jar包所在的本地路径
// job.setJar("/home/robot/wc.jar"); 与下面方法作用相同
job.setJarByClass(WordcountDriver.class);
//2 指定本业务job要使用的mapper/Reducer业务类
job.setMapperClass(WordcountMapper.class);
job.setReducerClass(WordcountReducer.class);
//3 指定mapper输出数据的kv类型
//注意map函数的输出类型默认情况下是和reduce函数的是相同的,所以如果mapper输出类型和reducer输入类型一样时,可以不用设置setMapOutkey/value这一项。
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
//4 指定最终输出的数据的kv类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
//5 指定job的输入输出文件所在目录
FileInputFormat.setInputPaths(job, new Path(args[0]));
//上面等价于FileInputFormat.addInputPath(job,new Path(args[0])) ,而且addInputFormat可以实现多路径的输入
//这里的args[] 是 输入的参数位置。
FileOutputFormat.setOutputPath(job, new Path(args[1]));
//注意:这里输出路径在运行Job任务前是不能存在的,否则hadoop执行时会报错,并且拒绝执行job
//主要目的是为了防止数据丢失,因为长时间运行的作业如果结果被意外覆盖,那会是很悲催的。
// 7 将job中配置的相关参数,以及job所用的java类所在的jar包, 提交给yarn去运行
// job.submit();
//本地运行的话,则不用提交,会自动提交。job.waitfoCompletion(true)里面调用job.submit()
System.exit( job.waitForCompletion(true)?0:1);
//退出系统,关闭连接,waitForCompletion()方法返回一个布尔值,表示执行的true或者false,这个布尔值被转换为程序的退出代码0或1.waitForCompletion()唯一的一个参数是一个标识,当标识为true时,作业会把其进度信息写到控制台。
}
}
(4)将程序打成jar包,然后拷贝到hadoop集群中。
(5)启动hadoop集群
(6)执行wordcount程序
[robot@hadoop102 software]$ hadoop jar wc.jar com.robot.wordcount.WordcountDriver /user/robot/input /user/robot/output1
总结:注意在JobDriver中我们没有对输入的类型进行设置,可以通过输入格式来控制,因为默认使用的是TextInputForat(文本输入格式)