Hadoop中wordcount源码分析

0、前言

      本文是学习hadoop后的笔记总结，由于对hadoop了解不深，正处于摸索阶段，所以分析不够透测。本文是记录我的学习过程和学习总结。

环境：ubuntu 8.04.4   hadoop1.0.2（hadoop的版本不同，API略有变化）

参考书籍：

         《 Hadoop权威指南（中文版）》      清华出版社

          《实战Hadoop－－开启通向运计算的捷径》      刘鹏主编

1、Hadoop版的helloworld源码（即wordcount）

      源码来自于  /usr/local/hadoop-1.0.2/src/examples/org/apache/hadoop/examples/WordCount.java   

WordCount

package org.apache.hadoop.examples;



import java.io.IOException;

import java.util.StringTokenizer;



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.Mapper;

import org.apache.hadoop.mapreduce.Reducer;

import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;

import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import org.apache.hadoop.util.GenericOptionsParser;



public class WordCount

 {



  public static class TokenizerMapper 

       extends Mapper<Object, Text, Text, IntWritable>

 {

    

    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

    {

       //print "key"  "value"

       //System.out.println("key= "+key.toString());

       //System.out.println("value= "+value.toString());



      StringTokenizer itr = new StringTokenizer(value.toString());

      while (itr.hasMoreTokens()) {

        word.set(itr.nextToken());

        context.write(word, one);

      }

    }

  }

  

  public static class IntSumReducer 

       extends Reducer<Text,IntWritable,Text,IntWritable> 

{

    private IntWritable result = new IntWritable();



    public void reduce(Text key, Iterable<IntWritable> 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 {

    Configuration conf = new Configuration();

    String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();

    if (otherArgs.length != 2) {

      System.err.println("Usage: wordcount <in> <out>");

      System.exit(2);

    }

    Job job = new Job(conf, "word count");

    job.setJarByClass(WordCount.class);

    job.setMapperClass(TokenizerMapper.class);

    job.setCombinerClass(IntSumReducer.class);

    job.setReducerClass(IntSumReducer.class);

    job.setOutputKeyClass(Text.class);

    job.setOutputValueClass(IntWritable.class);

    FileInputFormat.addInputPath(job, new Path(otherArgs[0]));

    FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));

    System.exit(job.waitForCompletion(true) ? 0 : 1);

  }

}

 

2、分析

    从以下几个方面进行分析：数据类型，执行过程(map，reduce),主函数（作业的配置方法）

  （1）常见数据类型

       整型：IntWritable， 这是Hadoop对int的封装

       字符串型：Text，这是Hadoop对String的封装

      上下文对象：Context，它用来与MapReduce系统进行通信，如把map的结果传给reduce处理

                由于map、reduce的输入输出key/value组成的键值对，所以用context.write(key,value)来传递数据

   （2）执行过程

          分为两个阶段：map和reduce, 以key/value为输入输出，其中key、value的类型可以由程序员自定义

 

        2.1 map阶段        

            自定义一个类，继承于基类Mapper，该基类是一个泛型，有4个形参类型：用来指定map函数的输入键、输入值，输出键、输 出值，如下   public class Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT>，源码位于/usr/local/hadoop-1.0.2/src/mapred/org/apache/hadoop/mapreduce/Mapper.java，但老版本的Mapper是一个接口public interface Mapper<K1, V1, K2, V2> extends JobConfigurable, Closeable ，老版本源码位于/usr/local/hadoop-1.0.2/src/mapred/org/apache/hadoop/mapred/Mapper.java。

           根据实际需要，重写map函数，函数类型由Mapper指定。Called once for each key/value pair in the input split. Most applications should override map().每一对<key,value>调用一次map函数。

          wordcount程序中，map方法中的value值存储的是文本文件中的一行，key值为该行的首字符相对于文本文件首字符的偏移量，在本程序中，key值未使用。StringTokenizer类是将每一行拆分为一个个的单词。

 

    2.2  reduce阶段

         自定义一个类，继承于基类Reducer，该基类是一个泛型，有4个形参类型：用来指定reduce函数的输入键、输入值，输出键、输出值public class Reducer<KEYIN,VALUEIN,KEYOUT,VALUEOUT>，其中reduce的输入类型必须与map的输出类型一致。

         根据实际需要，重写reduce方法，方法的类型由Reducer指定，called once for each key. Most applications will define their reduce class by overriding this method。每一个key调用一次reduce方法。

 

   2.3 主函数（作业的配置方法）

           注意：新版本中使用/usr/local/hadoop-1.0.2/src/mapred/org/apache/hadoop/mapreduce 中的Job类来进行作业的配置

        Job类主要的方法：

             setJarByClass(Class<?> cls)，作用：Set the Jar by finding where a given class came from.

             setOutputKeyClass(Class<?> theClass)，作用：Set the key class for the job output data.

            setOutputValueClass(Class<?> theClass) ，作用：Set the value class for job outputs.

            setJobName(String name)

           setMapperClass(Class<? extends Mapper> cls)，作用：Set the{@link Mapper} for the job

          setReducerClass(Class<? extends Reducer> cls) ，作用： Set the {@link Reducer} for the job

           waitForCompletion(boolean verbose ) ，作用：Submit the job to the cluster and wait for it to finish.

 

3、Hadoop程序处理流程

     （1）将文件拆分为splits，并由MapReduce框架自动完成分割，将每一个split分割为<key,value>对

     （2）每一对<key,value>调用一次map函数，处理后生产新的<key,value>对，由Context传递给reduce处理

     （3）Mapper对<key，value>对进行按key值进行排序，并执行Combine过程，将key值相同的value进行合并。最后得到Mapper的最终输出结果

     （4）reduce处理，处理后将新的<key,value>对输出。