【本地模式】第一个Mapreduce程序-wordcount

news2025/1/19 23:23:08

【本地模式】：也就是在windows环境下通过hadoop-client相关jar包进行开发的，我们只需要通过本地自己写好MapReduce程序即可在本地运行。

一个Maprduce程序主要包括三部分：Mapper类、Reducer类、执行类。

map阶段：将每一行单词提取出来转为map(key,1)的形式
- key为每一行的偏移量：第1行偏移量为0、第二行在第一行最后一个字符的下标基础上+1（包括回车符和换行符），以此类推。
- map阶段key对应的的value均为1.
reduec阶段：将map阶段的输出结果中的相同key所对应的value合并（将key对应的 1 进行累加），输出map(key,value)，此时的value为key出现次数。

Maven项目下所需依赖

<dependencies>
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-client</artifactId>
            <version>3.3.0</version>
        </dependency>
        <dependency>
            <groupId>junit</groupId>
            <artifactId>junit</artifactId>
            <version>4.12</version>
            <scope>test</scope>
        </dependency>
        <dependency>
            <groupId>org.slf4j</groupId>
            <artifactId>slf4j-api</artifactId>
            <version>1.7.30</version>
        </dependency>
        <dependency>
            <groupId>junit</groupId>
            <artifactId>junit</artifactId>
            <version>3.8.2</version>
        </dependency>
        <dependency>
            <groupId>junit</groupId>
            <artifactId>junit</artifactId>
            <version>4.12</version>
            <scope>compile</scope>
        </dependency>
    </dependencies>

Hadoop序列化类型

Text：一种可变长度的字节数组，用于表示文本数据。相当于Java中的String。
LongWritable、IntWritable、FloatWritable、DoubleWritable：分别用于表示长整型、整型、浮点型和双精度浮点型数据。相当于Java中的long、int、float和double。
BooleanWritable：用于表示布尔类型数据。相当于Java中的boolean。
NullWritable：用于表示空值，通常用于表示Map任务的输出中间结果数据中的值为空。相当于Java中的null。
ArrayWritable：用于表示数组类型数据。相当于Java中的数组。
MapWritable：一种可序列化的Map数据结构，可以作为Map任务的输出（中间结果数据）或Reduce任务的输入。相当于Java中的Map<>。
WritableComparable：一种可序列化的、可比较的数据类型接口，可以作为Map任务或Reduce任务的输入输出数据类型。

一、Mapper类

import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.util.StringUtils;

import java.io.IOException;
/**
 *  map阶段一次只处理一行数据
 * 泛型的四个参数:
 * KEYIN: map()中key的文本偏移量
 * VALUEIN: 当前的一行文本内容
 * KEYOUT: 经过map处理后的一个单词
 * VALUEOUT: 单词每次统计的数量,在mapper中这个就是 1
 */
public class WordCountMapper extends Mapper<LongWritable,Text,Text,LongWritable> {
    //尽可能节省内存资源
    private Text outKey = new Text();
    private LongWritable outValue = new LongWritable(1);

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        //如果当前数据不为空
        if (value!=null){
            //获取每一行的数据
            String line = value.toString();
            //将一行数据根据空格分开
//            String[] words = line.split(" ");
            String[] words = StringUtils.split(line,' ');//hadoop的StringUtils.split方法对大数据来说比Java自带的拥有更好的性能
            //输出键值对
            for (String word : words) {
                outKey.set(word);
                context.write(outKey,outValue);
            }
        }
    }
}

二、Reducer类

import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;

/**
 *  reduce阶段一种key只被调用一次
 * 泛型的四个参数:
 * KEYIN: 当前的一个单词
 * VALUEIN: map中输入过来的单词数量
 * KEYOUT: 当前的一个单词
 * VALUEOUT: 单词出现的总次数
 */
public class WordCountReducer extends Reducer<Text, LongWritable,Text,LongWritable> {
    private LongWritable outValue = new LongWritable();

    //Iterable<LongWritable>是一个集合(它是集合的最顶端的类,Collection继承了Iterable接口)

    @Override
    protected void reduce(Text key, Iterable<LongWritable> values, Context context) throws IOException, InterruptedException {
        //累加单词的数量
        long sum = 0;
        //遍历单词计数数组,将值累加到sum中
        for (LongWritable value : values) {
            sum += value.get();
        }
        outValue.set(sum);

        //输出每次最终的计数结果
        context.write(key,outValue);
    }
}

三、执行类

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;

public class WordCountRunner extends Configured implements Tool {

    public static void main(String[] args) throws Exception {
        ToolRunner.run(new Configuration(),new WordCountRunner(),args);
    }

    @Override
    public int run(String[] args) throws Exception {
        //1.获取job
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf, "word count");

        //2.配置jar包路径
        job.setJarByClass(WordCountRunner.class);

        //3.关联mapper和reducer
        job.setMapperClass(WordCountMapper.class);
        job.setReducerClass(WordCountReducer.class);

        //4.设置map、reduce输出的k、v类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(LongWritable.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(LongWritable.class);
        //5.设置统计文件输入的路径,将命令行的第一个参数作为输入文件的路径
        String path = getClass().getResource("/words.txt").getPath();
        FileInputFormat.setInputPaths(job,path);
        //6.设置结果数据存放路径,将命令行的第二个参数作为数据的输出路径
        FileOutputFormat.setOutputPath(job,new Path("./output"));
        return job.waitForCompletion(true) ? 0 : 1;//verbose：是否监控并打印job的信息
    }
}

程序执行结果

.part-r-00000.crc：是Reduce任务输出结果文件的校验文件，用于校验Reduce任务输出结果文件的完整性和正确性。该文件由Hadoop框架自动生成，不需要手动创建，其内容是Reduce任务输出结果文件的校验和信息。
._SUCCESS.crc：是表示任务执行成功的标志文件的校验文件，用于校验标志文件的完整性和正确性。该文件由Hadoop框架自动生成，其内容是标志文件的校验和信息。
_SUCCESS：表示任务执行成功的标志文件，文件内容为空。
part-r-00000：表示Reduce任务的输出结果文件，其中“00000”表示该文件是第一个Reduce任务的输出结果文件，如果有多个Reduce任务，则会生成多个该类型的文件，文件内容为每个单词出现的次数。