从wordcount 开始 mapreduce (C++\hadoop streaming模式)

转自http://www.cnblogs.com/cherri/archive/2013/08/24/3279602.html

序：终于开始接触hadoop了，从wordcount开始

1. 采用hadoop streamming模式

 优点：支持C++ pathon shell 等多种语言，学习成本较低，不需要了解hadoop内部结构

 调试方便：cat input | ./map | sort | ./reduce > output

 hadoop 就是提供了一个分布式平台实现了上述脚本的功能，这是一次mapreduce的过程

 一个例子：

#!/bin/bash
source build.env
$hadoop_bin fs -rmr $env_root    
$hadoop_bin fs -mkdir $env_root 
$hadoop_bin fs -copyFromLocal ./txt  $env_root/txt
$hadoop_bin streaming \
        -jobconf mapred.job.name="word count fuck you man~!" \
        -input  $env_root/txt \       //map程序的输入：cat input | ./map
        -output $env_root/outputxt \  //reduce程序的输出 ： ./reduce > output
        -mapper "./wordcount_map"\
        -reducer "./wordcount_reducer"\
        -file    ./wordcount_map\
        -file    ./wordcount_reducer\
        -jobconf mapred.job.map.capacity=1000 \
        -jobconf mapred.job.reduce.capacity=1000 \
        -jobconf mapred.child.ulimit=20000000 \
        -jobconf mapred.job.queue.name=ns-webgis \
        -jobconf mapred.job.priority=HIGH \
        -jobconf mapred.map.tasks.speculative.execution=false \
        -jobconf mapred.map.tasks=10 \
        -jobconf mapred.reduce.tasks=2 
if [ $? -ne 0 ]
then
    echo "error~~~~" >&2
    exit -1
fi
$hadoop_bin fs -get $env_root/outputxt .

2. map ：cat input | ./map >> temp

   1）hadoop平台做了什么：

   a.切分文件：把input文件按照一定的策略切割分成若干个小文件

   b.将若干个小文件分别分发到不同节点上

   c. 每个节点上都有一个map程序，然后将任务分发到不同的节点上

   2）自己要写的wordcount_map要做什么：

   wordcount_map从input中按行进行读取，然后按照业务逻辑将读取到的内容拼成 key \t value的形式  ，这个输出将会作为reduce程序的输入

   在这里输出的是 word 1  此处 word是key  1是value

   注意：此处是标准输出、输入 std::cout std::cin  in C++

   key与value之间用\t分割，第一个\t之前的值作为key，之后的都作为value 注意：这个key会被hadoop平台用到 平台不关注value值

#include<iostream>
#include<string>
#include<vector>
using namespace std;
void split(string src,vector<string>& dest,string separator)
{
   string str = src;
   string substring;
   string::size_type start = 0, index;

   do
   {
       index = str.find_first_of(separator,start);
       if (index != string::npos)
       {    
         substring = str.substr(start,index-start);
         dest.push_back(substring);
         start = str.find_first_not_of(separator,index);
         if (start == string::npos) return;                                                                         }    
   }while(index != string::npos);
   substring = str.substr(start);
   dest.push_back(substring);
}
void map()
{
    string line;
    vector<string> vec(2);
    while(cin>>line)
    {
        vec.clear();
        split(line,vec," ");
        vector<string>::iterator it=vec.begin();
        for(;it!=vec.end();++it)
        {
            cout<<*it<<"\t"<<"1"<<"\t"<<"fuck"<<endl;
        }
    }
}
int main()
{
    map();
}

//wordcount_map

   3. reduce: sort  |  ./reduce > output

   等到所有的map任务都结束:

   1）hadoop平台做了这些事情

        a.将所有的map程序的输出结果中key相同的key value pair 放到相同的节点上，这点很重要，这是保证最终输出结果正确的保证，后面会按照key进行hash , 并且相同                 key之间不会有其他的key,其实是按照key值做了一个排序

          注意：相同的key一定在一个节点上，但是一个节点上不止有一个个key

        b 然后在各个节点上开始reduce任务

   2）自己写的wordcount_map做了什么

        a. 读取这些具有相同key的键值对，处理自己的业务逻辑，此处就是将统计相同的key值的键值对一共出现了几次，然后将结果输出，此处也是标准输入和标准输出

   

#include<vector>
#include<map>
#include<string>
#include<iostream>
using namespace std;
void reduce()
{
    string key;
    string value;
    string value1;
    //vector<string> vec(2);
    map<string,int> mapTemp;
    while(cin>>key>>value>>value1)
    {        
        if(mapTemp.find(key)!=mapTemp.end())
            mapTemp[key]+=1;
        else
            mapTemp[key]=1;
    }
    map<string,int>::iterator it = mapTemp.begin();
    for(;it!=mapTemp.end();++it)
    {
        cout<<it->first<<"\t"<<it->second<<endl;
    }
}
int main()
{
    reduce();
}

//wordcount_reduce