Java实现Hadoop下词配对Wordcount计数

需求

  使用Hadop实现 Mapper/Reducer，对一个文档中的每一行的单词进行词配对计数，要求去标点符号，将大写符号统一转化成为小写单词。

  举例说明，最初的文档为：

“a a, A b
a b c

则处理后的结果为：

(a a) 2
(a b) 2
(a c) 1
(b a) 4
(b c) 1
(c a) 1
(c b) 1

实现过程

开启hadoop

进入Hadoop所在的文件夹并执行启动语句：

$ sbin/start-all.sh

jar包处理

将编码程序打包成jar包进行处理

HDFS文件设置

使用hdfs创建文件夹，并将input文件放在hdfs文件夹下：

$ bin/hdfs dfs -mkdir -p /wordcount1/input
$ bin/hdfs dfs -put /Users/liuqi/Desktop/input.txt /wordcount1/input
$ bin/hdfs dfs -ls /wordcount1/input

mapreduce程序

运行mapreduce程序：

$ bin/hadoop jar /Users/liuqi/Desktop/wordcount.jar WordCount /wordcount1/input /wordcount1/output

注：如果中间有错，则删除对应文件重新进行操作：

$ bin/hdfs dfs -rm -r /wordcount1/input

查询结果

查看计数的结果：

$ bin/hdfs dfs -ls /wordcount1/output
$ bin/hdfs dfs -cat /wordcount1/output/part-00000

将结果保存在本地：

$ bin/hdfs dfs -getmerge /wordcount1/output /Users/liuqi/Desktop/wordcount1/

附加代码

注：这里只是显示java代码，整个工程可以去我的下载中查看。
WordCount.java

import java.io.IOException;  
import java.util.Iterator;  
import java.util.StringTokenizer;  
import org.apache.hadoop.fs.Path;  
import org.apache.hadoop.io.IntWritable;  
import org.apache.hadoop.io.LongWritable;  
import org.apache.hadoop.io.Text;  
import org.apache.hadoop.mapred.FileInputFormat;  
import org.apache.hadoop.mapred.FileOutputFormat;  
import org.apache.hadoop.mapred.JobClient;  
import org.apache.hadoop.mapred.JobConf;  
import org.apache.hadoop.mapred.MapReduceBase;  
import org.apache.hadoop.mapred.Mapper;  
import org.apache.hadoop.mapred.OutputCollector;  
import org.apache.hadoop.mapred.Reducer;  
import org.apache.hadoop.mapred.Reporter;  
import org.apache.hadoop.mapred.TextInputFormat;  
import org.apache.hadoop.mapred.TextOutputFormat;  
/** 
 *  
 * WordCount 
 * @author 刘琦
 */  
public class WordCount  
{  
    /** 
     * MapReduceBase类:实现了Mapper和Reducer接口的基类（其中的方法只是实现接口，而未作任何事情） 
     * Mapper接口： 
     * WritableComparable接口：实现WritableComparable的类可以相互比较。所有被用作key的类应该实现此接口。 
     * Reporter 则可用于报告整个应用的运行进度，本例中未使用。  
     *  
     */  
    public static class Map extends MapReduceBase implements  
            Mapper  
    {  
        /** 
         * LongWritable, IntWritable, Text 均是 Hadoop 中实现的用于封装 Java 数据类型的类，这些类实现了WritableComparable接口， 
         * 都能够被串行化从而便于在分布式环境中进行数据交换，你可以将它们分别视为long,int,String 的替代品。 
         */  
        private final static IntWritable one = new IntWritable(1);  
        private Text word = new Text(); 

        /** 
         * Mapper接口中的map方法： 
         * void map(K1 key, V1 value, OutputCollector output, Reporter reporter) 
         * 映射一个单个的输入k/v对到一个中间的k/v对 
         * 输出对不需要和输入对是相同的类型，输入对可以映射到0个或多个输出对。 
         * OutputCollector接口：收集Mapper和Reducer输出的对。 
         * OutputCollector接口的collect(k, v)方法:增加一个(k,v)对到output 
         */  
        public void map(LongWritable key, Text value,  
                OutputCollector output, Reporter reporter)  
                throws IOException  
        {  
            //变成小写单词，并且去各种符号
            String line = value.toString().toLowerCase().replaceAll("[\\d\\pP\\p{Punct}]", "");
            StringTokenizer tokenizer = new StringTokenizer(line);  
            StringTokenizer tokenizer2 = new StringTokenizer(line);
            String[][] result = new String[tokenizer.countTokens()][2];
            int k = 0;
            while (tokenizer.hasMoreTokens()) {
             result[k][0] = tokenizer.nextToken();
             result[k][1] = "0";
             k++;
            }

            //对每一行的单词进行处理
            for(int i = 0; i < tokenizer2.countTokens() ; i++){
                for(int j = 0; j < tokenizer2.countTokens() ; j++){
                    if(i == j){
                        continue;
                    }else if (result[i][1].equals("1")){
                        //这个词之前出现过了，这里只统计它之后还有没有相同的数据,后来发现不需要这一步了，相同的只计算一次就好
                        if(i0].equals(result[j][0])){
                            result[j][1] = "1";
                            word.set("(" + result[i][0] + "  " + result[j][0] + ")");
//                          output.collect(word, one);
                        }
                    }else{
                        //这个词之前没有出现过
                        if (!result[i][0].equals(result[j][0])){
                            //普通操作
                            word.set("(" + result[i][0] + "  " + result[j][0] + ")");  
                            output.collect(word, one);
                        }else{
                            //说明两个单词是一样的,并且这个单词之前没有统计过
                            result[j][1] = "1";
                            word.set("(" + result[i][0] + "  " + result[j][0] + ")");  
                            output.collect(word, one);
                        }
                    }
                }
            }
        }  
    }  
    public static class Reduce extends MapReduceBase implements  
            Reducer  
    {  
        public void reduce(Text key, Iterator values,  
                OutputCollector output, Reporter reporter)  
                throws IOException  
        {  
            int sum = 0;  
            while (values.hasNext())  
            {  
                sum += values.next().get();  
            }  
            output.collect(key, new IntWritable(sum));  
        }  
    }  
    public static void main(String[] args) throws Exception  
    {  
        /** 
         * JobConf：map/reduce的job配置类，向hadoop框架描述map-reduce执行的工作 
         * 构造方法：JobConf()、JobConf(Class exampleClass)、JobConf(Configuration conf)等 
         */  
        JobConf conf = new JobConf(WordCount.class);  
        conf.setJobName("wordcount");           //设置一个用户定义的job名称  
        conf.setOutputKeyClass(Text.class);    //为job的输出数据设置Key类  
        conf.setOutputValueClass(IntWritable.class);   //为job输出设置value类  
        conf.setMapperClass(Map.class);         //为job设置Mapper类  
        conf.setCombinerClass(Reduce.class);      //为job设置Combiner类  
        conf.setReducerClass(Reduce.class);        //为job设置Reduce类  
        conf.setInputFormat(TextInputFormat.class);    //为map-reduce任务设置InputFormat实现类  
        conf.setOutputFormat(TextOutputFormat.class);  //为map-reduce任务设置OutputFormat实现类  
        /** 
         * InputFormat描述map-reduce中对job的输入定义 
         * setInputPaths():为map-reduce job设置路径数组作为输入列表 
         * setInputPath()：为map-reduce job设置路径数组作为输出列表 
         */  
        FileInputFormat.setInputPaths(conf, new Path(args[0]));  
        FileOutputFormat.setOutputPath(conf, new Path(args[1]));  
        JobClient.runJob(conf);         //运行一个job  
    }  
}