Hadoop基础学习（一）分析、编写并运行WordCount词频统计程序

前面已经在我的Ubuntu单机上面搭建好了伪分布模式的HBase环境，其中包括了Hadoop的运行环境。

详见我的这篇博文：http://blog.csdn.net/jiyiqinlovexx/article/details/29208703

我的目的主要是学习HBase，下一步打算学习的是将HBase作为Hadoop作业的输入和输出。

但是好像以前在南大上学时学习的Hadoop都忘记得差不多了，所以找到以前上课做的几个实验：wordCount，PageRank以及InversedIndex。

发现以前写的实验报告还是蛮详细的，很容易看懂，恰好以前做实验用的也是hadoop0.20的版本，所以按照我以前写的实验手册直接操作，熟悉一下Hadoop了。

下面是我以前写的WordCOunt的实验报告：

一、实验要求：

实验内容与要求
1. 在Eclipse环境下编写WordCount程序，统计所有除Stop-Word（如a, an, of, in, on, the, this, that,…)外所有出现次数k次以上的单词计数，最后的结果按照词频从高到低排序输出
2. 在集群上运行程序，对莎士比亚文集文档数据进行处理
3. 可自行建立一个Stop-Word列表文件，其中包含部分停词即可，不需要列出全部停词；参数k作为输入参数动态指定（如k=10）
4. 实验结果提交：要求书写一个实验报告，其中包括：
实验设计说明，包括主要设计思路、算法设计、程序和各个类的设计说明
程序运行和实验结果说明和分析
性能、扩展性等方面存在的不足和可能的改进之处
源程序 ，执行程序，停词列表文件
运行结果文件

二、实验报告：

Wordcount词频统计实验

2012年4月1日星期日

19:04

1设计思路

Map:

(1)停词存储

因为停词比较少，所以选择将他们全部存储到内存中，停词不能有重复，还需要快速访问，所以选择hashset来存储

(2)map

对于map传进来的每一行文本，首先用正在表达式将英文标点符号全部题换成空格，然后在循环分析每一个单词，如果这个单词不包括在停词集合中，则将其key设为单词本身，值设置为1，并发射出去。

Reduce:

在reduce中对每一个key，将其所有value累加起来。如果value不小于某个词频，则将其output出去。

 

2遇到的问题

(1)hadoop API问题

(2)在hadoop的map中读取hdfs文件内容

(3)如何按词频从高到底输出；

解决1：

参考很多资料，找到正确使用的API，总之感觉hadoop不同版本之间API很混乱。

在API方面有两个点花费我很多时间，一是map和reduce的初始化函数setup，二是向map和reduce传递参数直接通过configuration来进行，有点类似于JSP中的session。

解决2：

开始我在map之外定义一个全局变量，开始的时候将停词文件路径复制给这个全局变量，但是在map里面无法读取这个文件的内容。不知道怎么回事。

然后我们在网上查了一下，发现有一个分布式缓存文件的类DistributedCache。

主要先是获取停词文件的路径，将其加入到cache中去，DistributedCache.addCacheFile(newPath(args[++i]).toUri(), conf);

然后在map中用DistributedCache.getLocalCacheFiles(context.getConfiguration());读取该文件路径，这样就可以读取停词文件的内容了。

解决3：

词频要在reduce完成之后才能计算出来，也就是说虽然map之后将键值对分发到reduce之前会按照键值进行一个sort的过程，但是我们也无法借助将key

value掉换的方法一次进行。

我们小组一起讨论，想到了在第一次mapreduce统计完词频之后再进行一次mapreduce来按照词频对所有键值对排序。统计结果(中间结果)存放到临时文件夹中。

在第二次mapreduce的过程中：

(1)InverseMapper：

在网上查了一下，hadoop本身就有一个将键值对颠倒顺序的了一个mapper，名字叫做InverseMapper，在交换了键值之后，还有一个问题。

(2)setSortComparatorClass：

hadoop中默认对IntWritable类型的key是以升序排列的，我们是要按照降序，所以重写sort过程中进行key值比较所参考的比较类。使用setSortComparatorClass方法设置比较类。

(3)setNumReduceTasks(1)：

至于reduce部分我们无须指定任何reduce，因为不需要做任何操作，只需要指定将所有键值对发送到一个reduce即可。

 

3运行过程

首先利用scp命令将停词文件以及wordcount的可执行jar传输到集群的mater01节点上面去。然后使用ssh命令登录到该节点：

 

然后在hdfs上面我们小组的目录下创建一个wordcount目录，以及子目录input。

然后使用hadoopfs -put命令将停词文件拷贝到该目录下：

然后以节点上本来就有的/data/shakespear目录下面的数据作为输入，将我们小组的/wordcount/output(不存在)作为输入，执行参数为-skip指定听此文件路径，-greater指定要统计的最低词频的单词，来执行wordcount：

在wordcount/output目录下面生成结果文件part-r-00000，打开之后发现结果和预期完全一致。词频从高到低，最低词频为10，并且在统计之前已经将标点符号去掉。

可以用hadoop fs -get /wordcount/output/part-r-00000 .命令下载到当前文件夹。

也可以打开浏览器：http://localhost:50070/dfshealth.jsp，选择Browse the filesystem来直接查看HDFS上面文件的内容。

在浏览器中打开：http://localhost:50030/jobtracker.jsp，查看工作运行状态以及结果：

 

4源程序，停词文件，可执行jar文件均参见本文件夹里。

=====================================================================================================

注意，我因为现在是在本机上面运行Hadoop作业，而不是像以前那样在远端master机器上面跑，所以有些地方不一样。

比如利用scp将wordcount.jar传到master机器上，以及用ssh登陆这些都不需要。

但是停词文本集合还是要上传到HDFS，还有之前实验莎士比亚文集的数据是老师已经放在HDFS上了，所以不需要我们上传，这些要自己将莎士比亚文集的数据上传到HDFS，命令是：

hadoop fs -put /shakespeare /data/shakespare

三、源码：

说实话，看着以前的图片，发现跑起来蛮快的，但是现在单机真心慢。。。

停词文本文件和莎士比亚文集数据有时间上传到百度云盘，这里先把代码贴出来供大家参考。

/**
 * WordCount
 * [email protected] - 季义钦
 * 统计输入文件各个单词出现频率
 * 统计的时候对于“停词”(从文本文件读入)将不参与统计
 * 最后按统计的词频从高到底输出
 * 
 *  特别主import某个类的时候，确定你是要用哪个包所属的该类
 *  
 * */
import java.io.BufferedReader;
import java.io.FileReader;
import java.io.IOException;
import java.util.*;

import org.apache.hadoop.filecache.DistributedCache;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.conf.*;
import org.apache.hadoop.io.*;
import org.apache.hadoop.mapreduce.*;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.SequenceFileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.map.InverseMapper;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.SequenceFileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
        
public class WordCount {
	
	
	/**
	 * Map: 将输入的文本数据转换为的键值对
	 * */
	public static class WordCountMap extends Mapper {
		
		String regex = "[.,\"!--;:?'\\]]"; //remove all punctuation
		Text word = new Text();
		final static IntWritable one = new IntWritable(1);
		HashSet stopWordSet = new HashSet();
		
		/**
		 * 将停词从文件读到hashSet中
		 * */
		private void parseStopWordFile(String path){
			try {
				String word = null;
				BufferedReader reader = new BufferedReader(new FileReader(path));
				while((word = reader.readLine()) != null){
					stopWordSet.add(word);
				}
			} catch (IOException e) {
				e.printStackTrace();
			}	
		}
		
		/**
		 * 完成map初始化工作
		 * 主要是读取停词文件
		 * */
		public void setup(Context context) {			
			
			Path[] patternsFiles = new Path[0];
			try {
				patternsFiles = DistributedCache.getLocalCacheFiles(context.getConfiguration());
			} catch (IOException e) {
				e.printStackTrace();
			}			
			if(patternsFiles == null){
				System.out.println("have no stopfile\n");
				return;
			}
			
			//read stop-words into HashSet
			for (Path patternsFile : patternsFiles) {
				parseStopWordFile(patternsFile.toString());
			}
		}  
		
		/**
		 *  map
		 * */
		public void map(LongWritable key, Text value, Context context) 
			throws IOException, InterruptedException {
			
			String s = null;
			String line = value.toString().toLowerCase();
			line = line.replaceAll(regex, " "); //remove all punctuation
			
			//split all words of line
			StringTokenizer tokenizer = new StringTokenizer(line);
			while (tokenizer.hasMoreTokens()) {
				s = tokenizer.nextToken();
				if(!stopWordSet.contains(s)){
					word.set(s);
					context.write(word, one);
				}				
			}
		}
	}
	
	/**
	 * Reduce: add all word-counts for a key
	 * */
	public static class WordCountReduce extends Reducer {
		
		int min_num = 0;
		
		/**
		 * minimum showing words
		 * */
		public void setup(Context context) {
			min_num = Integer.parseInt(context.getConfiguration().get("min_num"));
			System.out.println(min_num);
		}
		
		/**
		 * reduce
		 * */
		public void reduce(Text key, Iterable values, Context context)	
			throws IOException, InterruptedException {
			int sum = 0;
			for (IntWritable val : values) {
				sum += val.get();
			}
			if(sum < min_num) return;
			context.write(key, new IntWritable(sum));
		}
	}
	
	/**
	 * IntWritable comparator
	 * */
	private static class IntWritableDecreasingComparator extends IntWritable.Comparator {
        
	      public int compare(WritableComparable a, WritableComparable b) {
	    	  return -super.compare(a, b);
	      }
	      
	      public int compare(byte[] b1, int s1, int l1, byte[] b2, int s2, int l2) {
	          return -super.compare(b1, s1, l1, b2, s2, l2);
	      }
	}
	
	/**
	 * main: run two job
	 * */
	public static void main(String[] args){
		
		boolean exit = false;
		String skipfile = null; //stop-file path
		int min_num = 0;
		String tempDir = "wordcount-temp-" + Integer.toString(new Random().nextInt(Integer.MAX_VALUE));
		
		Configuration conf = new Configuration();
		
		//获取停词文件的路径，并放到DistributedCache中
	    for(int i=0;i

若有什么疑问和指教，欢迎交流，联系邮箱： [email protected]  季义钦

作为兴趣点，目前本人正在研究HBase和Hadoop