[置顶] 一步一步学习hadoop（三）

    学东西都是从例子开始是最好的，从hadoop的一个简单的mapreduce作业开始

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 {
      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.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);
  }
}

这个例子非常简单，读取输入的文件，统计所有文件里的单词的出现次数。
下面分析一下这段代码，阐述hadoop的基础的作业定制步骤。
hadoop的作业定制由三个基本步骤（以后还会介绍更加高级的定制，hadoop设计非常灵活，可以在作业的各个部分插入自己的代码，实现自己的个性化定制，这些都是后话，留待以后介绍）
1.实现map函数，将要分析的数据解析为自己想要的格式。map函数的输入是key/value对，设为k1,v1,map函数的输出也是key/value对设为k2,v2。k1,v1和k2,v2可以是各种hadoop预定义的类型或者自己实现的类型。
该例子中是TokenizerMapper，将Object/Text输入值解析为单词/1的键值对，然后使用context保存为map的输出
2.实现reduce函数，将多个mapper汇集的同一个键值的values进行合并处理，该例子中的IntSumReducer实现对多个mapper传过来的同一个单词的出现次数进行求和，得出一个单词的总出现次数。
3.作业配置和运行。
   创建作业对象job，
   设置该作业的运行类，这里是WordCount.class,
   设置mapper类，
   设置reducer类，
   设置输出键类型，
   设置输出值类型（如果mapper的输出键值类型和reducer的输出键值对应不上则需设置mapper的输出键值类型）
   设置作业处理的输入文件
   设置作业输出结果的保存目录（该目录必须在hdfs系统中不存在，存在的话作业不会运行）
   运行作业
4.将程序打包为jar格式，然后使用hadoop jar命令运行程序

这里只是给大家一个基本的hadoop的mapredu程序的直观印象，马上开始深入hadoop的体系架构，介绍hadoop的mapreduce的工作原理。