大数据讲课笔记5.1 初探MapReduce

发布时间:2023年12月20日

文章目录

零、学习目标

  1. 理解MapReduce核心思想
  2. 掌握MapReduce编程模型
  3. 理解MapReduce编程实例——词频统计

一、导入新课

  • 带领学生回顾项目四HDFS相关的知识,由于MapReduce是Hadoop系统的另一个核心组件,它是一种可用于大数据并行处理的计算模型、框架和平台,主要解决海量数据的计算,是目前分布式计算模型中应用较为广泛的一种。因此,本次课将针对MapReduce分布式计算框架进行详细讲解。

二、新课讲解

(一)MapReduce核心思想

  • MapReduce的核心思想是“分而治之”。所谓“分而治之”就是把一个复杂的问题,按照一定的“分解”方法分为等价的规模较小的若干部分,然后逐个解决,分别找出各部分的结果,把各部分的结果组成整个问题的结果,这种思想来源于日常生活与工作时的经验,同样也完全适合技术领域。
  • MapReduce作为一种分布式计算模型,它主要用于解决海量数据的计算问题。使用MapReduce操作海量数据时,每个MapReduce程序被初始化为一个工作任务,每个工作任务可以分为Map和Reduce两个阶段。
阶段功能
Map阶段负责将任务分解,即把复杂的任务分解成若干个“简单的任务”来并行处理,但前提是这些任务没有必然的依赖关系,可以单独执行任务。
Reduce阶段负责将任务合并,即把Map阶段的结果进行全局汇总。
  • MapReduce就是“任务的分解与结果的汇总”。即使用户不懂分布式计算框架的内部运行机制,但是只要能用Map和Reduce思想描述清楚要处理的问题,就能轻松地在Hadoop集群上实现分布式计算功能。
    在这里插入图片描述
  • MapReduce设计的一个理念就是“计算向数据靠拢”,而不是“数据向计算靠拢”,因为,移动数据需要大量的网络传输开销。

(二)MapReduce编程模型

  • MapReduce是一种编程模型,用于处理大规模数据集的并行运算。使用MapReduce执行计算任务的时候,每个任务的执行过程都会被分为两个阶段,分别是Map和Reduce,其中Map阶段用于对原始数据进行处理,Reduce阶段用于对Map阶段的结果进行汇总,得到最终结果。
    在这里插入图片描述
  • Map和Reduce函数
    在这里插入图片描述
  • 问题1:100副牌,没有大小王,差一张牌,请确定缺少哪张牌?
    在这里插入图片描述
    在这里插入图片描述
  • 问题2:100GB网站访问日志文件,找出访问次数最多的IP地址
    在这里插入图片描述
    在这里插入图片描述

(三)MapReduce编程实例——词频统计思路

1、Map阶段(映射阶段)

  • 输入键值对 ? \Longrightarrow ?输出键值对
    在这里插入图片描述

2、Reduce阶段(归并阶段)

在这里插入图片描述

(四)MapReduce编程实例——词频统计实现

  • 启动hadoop服务
    在这里插入图片描述

1、准备数据文件

(1)在虚拟机上创建文本文件
  • 创建wordcount目录,在里面创建words.txt文件
    在这里插入图片描述
(2)上传文件到HDFS指定目录
  • 创建/wordcount/input目录,执行命令:hdfs dfs -mkdir -p /wordcount/input
    在这里插入图片描述

  • 将文本文件words.txt,上传到HDFS的/wordcount/input目录
    在这里插入图片描述

  • 在Hadoop WebUI界面上查看上传的文件
    在这里插入图片描述

2、创建Maven项目

  • 创建Maven项目 - MRWordCount
    在这里插入图片描述
  • 单击【Finish】按钮
    在这里插入图片描述

3、添加相关依赖

  • pom.xml文件里添加hadoopjunit依赖
    在这里插入图片描述
<dependencies>                                   
    <!--hadoop客户端-->                             
    <dependency>                                 
        <groupId>org.apache.hadoop</groupId>     
        <artifactId>hadoop-client</artifactId>   
        <version>3.3.4</version>                 
    </dependency>                                
    <!--单元测试框架-->                                
    <dependency>                                 
        <groupId>junit</groupId>                 
        <artifactId>junit</artifactId>           
        <version>4.13.2</version>                
    </dependency>                                
</dependencies>                                                  

4、创建日志属性文件

  • resources目录里创建log4j.properties文件
    在这里插入图片描述
log4j.rootLogger=INFO, stdout, logfile
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/wordcount.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n

5、创建词频统计映射器类

  • 创建net.hw.mr包,在包里创建WordCountMapper
    在这里插入图片描述

  • 为了更好理解Mapper类的作用,在map()函数里暂时不进行每行文本分词处理,直接利用context输出keyvalue

package net.hw.mr;

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

import java.io.IOException;

/**
 * 功能:词频统计映射器类
 * 作者:华卫
 * 日期:2022年12月07日
 */
public class WordCountMapper extends Mapper<LongWritable, Text, LongWritable, Text> {
    @Override
    protected void map(LongWritable key, Text value, Context context)
            throws IOException, InterruptedException {
        // 直接将键值对数据传到下一个阶段
        context.write(key, value);
    }
}

  • Mapper<泛型参数1, 泛型参数2, 泛型参数3, 泛型参数4>参数说明
    在这里插入图片描述
序号泛型参数说明
1KEYIN输入类型(InputKeyClass)
2VALUEIN输入类型(InputValueClass)
3KEYOUT输出类型(OutputKeyClass)
4VALUEOUT输出类型(OutputValueClass)
  • 注意:MR应用,必须有映射器(Mapper),但是归并器(Reducer)可有可无
知识点:Java数据类型与Hadoop数据类型对应关系
Java数据类型Hadoop数据类型
StringText
nullNullWritable
intIntWritable
longLongWritable
floatFloatWritable
doubleDoubleWritable
  • Hadoop类型数据调用get()方法就可以转换成Java类型数据
  • Java类型数据通过new XXXWritable(x)方式转换成对应的Hadoop类型数据

6、创建词频统计驱动器类

  • net.hw.mr包里创建WordCountDriver
    在这里插入图片描述
package net.hw.mr;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
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 java.net.URI;

/**
 * 功能:词频统计驱动器类
 * 作者:华卫
 * 日期:2022年12月07日
 */
public class WordCountDriver {
    public static void main(String[] args) throws Exception {
        // 创建配置对象
        Configuration conf = new Configuration();
        // 设置数据节点主机名属性
        conf.set("dfs.client.use.datanode.hostname", "true");

        // 获取作业实例
        Job job = Job.getInstance(conf);
        // 设置作业启动类
        job.setJarByClass(WordCountDriver.class);

        // 设置Mapper类
        job.setMapperClass(WordCountMapper.class);
        // 设置map任务输出键类型
        job.setMapOutputKeyClass(LongWritable.class);
        // 设置map任务输出值类型
        job.setMapOutputValueClass(Text.class);

        // 定义uri字符串
        String uri = "hdfs://master:9000";
        // 创建输入目录
        Path inputPath = new Path(uri + "/wordcount/input");
        // 创建输出目录
        Path outputPath = new Path(uri + "/wordcount/output");

        // 获取文件系统
        FileSystem fs =  FileSystem.get(new URI(uri), conf);
        // 删除输出目录(第二个参数设置是否递归)
        fs.delete(outputPath, true);

        // 给作业添加输入目录(允许多个)
        FileInputFormat.addInputPath(job, inputPath);
        // 给作业设置输出目录(只能一个)
        FileOutputFormat.setOutputPath(job, outputPath);

        // 等待作业完成
        job.waitForCompletion(true);

        // 输出统计结果
        System.out.println("======统计结果======");
        FileStatus[] fileStatuses = fs.listStatus(outputPath);
        for (int i = 1; i < fileStatuses.length; i++) {
            // 输出结果文件路径
            System.out.println(fileStatuses[i].getPath());
            // 获取文件系统数据字节输入流
            FSDataInputStream in = fs.open(fileStatuses[i].getPath());
            // 将结果文件显示在控制台
            IOUtils.copyBytes(in, System.out, 4096, false);
        }
    }
}
  • 注意导包问题
    在这里插入图片描述

  • 不要导成org.apache.hadoop.mapred包下的FileInputFormatFileOutputFormat咯~

import org.apache.hadoop.mapred.FileInputFormat;
import org.apache.hadoop.mapred.FileOutputFormat;

7、运行词频统计驱动器类,查看结果

  • 运行报错,提示:Did not find winutils.exe,解决办法,参看本博 - 五、解决问题
    在这里插入图片描述

  • 再次运行,统计结果之前会显示大量信息
    在这里插入图片描述
    在这里插入图片描述

  • 如果不想看到统计结果之前的大堆信息,可以修改log4j.properties文件,将INFO改为ERROR
    在这里插入图片描述

  • 再运行程序,查看结果
    在这里插入图片描述

  • 行首数字,表示每行起始位置在整个文件的偏移量(offset)。

  • 第一行:hello hadoop world\n 16个字母,2个空格,1个转义字符,总共19个字符,因此,第二行起始位置在整个文件的偏移量就是19。

  • 第二行:hello hive world\n 14个字母,2个空格,1个转义字符,总共17个字符,因此,第三行起始位置在整个文件的偏移量就是19 + 16 = 36。

  • 第三行:hello hbase world\n 15个字母,2个空格,1个转义字符,总共18个字符,因此,第三行起始位置在整个文件的偏移量就是19 + 16 + 18 = 54。

  • 第四行:hadoop hive hbase\n 15个字母,2个空格,1个转义字符,总共18个字符,因此,第三行起始位置在整个文件的偏移量就是19 + 16 + 18 + 18 = 72。

  • 利用Hadoop WebUI界面查看结果文件
    在这里插入图片描述

8、修改词频统计映射器类

  • 行首数字对于我们做单词统计没有任何用处,只需要拿到每一行内容,按空格拆分成单词,每个单词计数1,因此,WordCoutMapper的输出应该是单词个数,于是,输出键类型为Text,输出值类型为IntWritable
  • 将每行按空格拆分成单词数组,输出<单词, 1>的键值对
    在这里插入图片描述
public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
    @Override
    protected void map(LongWritable key, Text value, Context context)
            throws IOException, InterruptedException {
        // 获取行内容
        String line = value.toString();
        // 按空格拆分得到单词数组
        String[] words = line.split(" ");
        // 遍历单词数组,生成输出键值对
        for (int i = 0; i < words.length; i++) {
            context.write(new Text(words[i]), new IntWritable(1));
        }
    }
}
  • 由于WordCountMapper输出键值类型发生变化,所以必须告诉WordCountDriver

9、修改词频统计驱动器类

  • 修改map任务输出键值类型
    在这里插入图片描述

10、启动词频统计驱动器类,查看结果

  • 观察输出结果,map阶段会按键排序输出
    在这里插入图片描述
  • 对于这样一组键值对,传递到reduce阶段,按键排序,其值构成迭代器
I	<1>
and	<1>
hadoop	<1,1,1>
hbase	<1,1>
hello	<1,1,1>
hive	<1,1,1>
love	<1>
world	<1,1,1>
  • 映射任务与归并任务示意图
    在这里插入图片描述

11、创建词频统计归并器类

  • 一个类继承Reducer,变成一个Reducer组件类

  • Reducer组件会接收Mapper组件的输出结果

  • 第一个泛型对应的是Mapper输出key类型

  • 第二个泛型对应的是Mapper输出value类型

  • 第三个泛型和第四个泛型是Reducer的输出key类型和输出value类型

  • Reducer组件不能单独存在,但是Mapper组件可以单独存在

  • 当引入Reducer组件后,输出结果文件内容就是Reducer的输出key和输出value

  • net.hw.mr包里创建WordCountReducer
    在这里插入图片描述

package net.hw.mr;

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

import java.io.IOException;
import java.util.ArrayList;
import java.util.List;

/**
 * 功能:词频统计归并器
 * 作者:华卫
 * 日期:2022年12月13日
 */
public class WordCountReducer extends Reducer<Text, IntWritable, Text, Text> {
    @Override
    protected void reduce(Text key, Iterable<IntWritable> values, Context context)
            throws IOException, InterruptedException {
        // 定义整数数组列表
        List<Integer> integers = new ArrayList<>();
        // 遍历输入值迭代器
        for (IntWritable value : values) {
            // 将每个值添加到数组列表
            integers.add(value.get()); // 利用get()方法将hadoop数据类型转换成java数据类型
        }
        // 输出新的键值对,注意要将java字符串转换成hadoop的text类型
        context.write(key, new Text(integers.toString()));
    }
}
  • 创建了词频统计归并器之后,我们一定要告知词频统计驱动器类

12、修改词频统计驱动器类

  • 设置词频统计的Reducer类及其输出键类型和输出值类型(Text,Text)
    在这里插入图片描述

13、运行词频统计驱动器类,查看结果

  • 运行WordCountDriver类,查看结果
    在这里插入图片描述
  • 现在我们需要修改词频统计归并器,将每个键(单词)的值迭代器进行累加,得到每个单词出现的总次数。

14、修改词频统计归并器类

  • 输出键值类型改为IntWritable,遍历值迭代器,累加得到单词出现次数
    在这里插入图片描述
package net.hw.mr;

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

import java.io.IOException;

/**
 * 功能:词频统计归并器
 * 作者:华卫
 * 日期:2022年12月14日
 */
public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
    @Override
    protected void reduce(Text key, Iterable<IntWritable> values, Context context)
            throws IOException, InterruptedException {
        // 定义键出现次数
        int count = 0;
        // 遍历输入值迭代器
        for (IntWritable value : values) {
            count += value.get(); // 其实针对此案例,可用count++来处理
        }
        // 输出新的键值对,注意要将java的int类型转换成hadoop的IntWritable类型
        context.write(key, new IntWritable(count));
    }
}
  • 由于修改了词频统计归并器的输出值类型(由Text类型改成了IntWritable类型),必须在词频统计驱动器类里进行设置

15、修改词频统计驱动器类

  • 修改归并任务的输出值类型(IntWritable类型)
    在这里插入图片描述

16、启动词频统计驱动器类,查看结果

  • 此时,可以看到每个单词出现的次数
    在这里插入图片描述
知识点学习
1MR框架有两个核心组件,分别是Mapper组件和Reducer组件
(2)写一个类,继承Mapper,则变成了一个Mapper组件类
(3IntWritable, LongWritableDoubleWritable, TextNullWritable都是Hadoop序列化类型
(4Mapper组件将每行的行首偏移量,作为输入key,通过map()传给程序员
(5Mapper组件会将每行内容,作为输入value,通过map()传给程序员,重点是获取输入value
(6Mapper的第一个泛型类型对应的是输入key的类型,第二个泛型类型对应的输入value
(7MR框架所处理的文件可以是本地文件,也可以是HDFS文件
(8map()被调用几次,取决于文件的行数
(9)通过context进行结果的输出,以输出key和输出value的形式来输出
(10)输出key是由第三个泛型类型决定,输出value是由第四个泛型类型决定
(11)输出结果文件的数据以及行数取决于context.write()方法
(12Text => String:  value.toString()13String => Text:  new Text(strVar)14LongWritable => long:  key.get()15long => LongWritable: new LongWritable(longVar)

17、采用多个Reduce做合并

  • 相同key的键值对必须发送同一分区(一个Reduce任务对应一个分区,然后会生成对应的一个结果文件,有多少个Reduce任务,就会有多少个分区,最终就会产生多少个结果文件),否则同一个key最终会出现在不同的结果文件中,那显然不是我们希望看到的结果。
(1)MR默认采用哈希分区HashPartitioner
  • Mapper输出key.hashcode & Integer.MAX_ VALUE % Reduce任务数量
    在这里插入图片描述
(2)修改词频统计驱动器类,设置分区数量
  • 设置分区数量:3
    在这里插入图片描述

  • 此时,运行程序,查看结果
    在这里插入图片描述

  • 在Hadoop WebUI界面上可以看到,产生了三个结果文件
    在这里插入图片描述

18、打包上传到虚拟机上运行

  • MR程序可以在IDEA里运行,也可以打成jar包,上传到虚拟机,利用hadoop jar命令来运行
(1)利用Maven打包
  • 打开Maven管理窗口,找到项目的LifeCycle下的package命令
    在这里插入图片描述
  • 双击package命令,报错,maven插件版本不对
    在这里插入图片描述
  • 修改pom.xml文件,添加maven插件,记得要刷新maven
    在这里插入图片描述
  • 再次打包,即可生成MRWordCount-1.0-SNAPSHOT.jar
    在这里插入图片描述
(2)将jar包上传到虚拟机
  • MRWordCount-1.0-SNAPSHOT.jar上传到master虚拟机/home目录
    在这里插入图片描述
  • 查看上传的jar包
    在这里插入图片描述
(3)运行jar包,查看结果
  • 运行报错,Java编译版本不一致导致错误,本地打包用的是JDK11,虚拟机上安装的JDK8
    在这里插入图片描述
(4)降低项目JDK版本,重新打包
  • 修改项目JDK
    在这里插入图片描述
  • 修改语言级别
    在这里插入图片描述
  • 修改Java编译器版本
    在这里插入图片描述
  • 修改pom.xml文件
    在这里插入图片描述
  • 重新利用maven打包
    在这里插入图片描述
(5)重新上传jar包到虚拟机
  • 删除master虚拟机上的jar包
    在这里插入图片描述
  • 重新上传jar包
    在这里插入图片描述
(6)运行jar包,查看结果
  • 执行命令:hadoop jar MRWordCount-1.0-SNAPSHOT.jar net.hw.mr.WordCountDriver
    在这里插入图片描述
    在这里插入图片描述

19、创建新词频统计驱动器类

  • 由用户指定输入路径和输出路径,如果用户不指定,那么由程序来设置
  • net.hw.mr包里创建WordCountDriverNew
    在这里插入图片描述
package net.hw.mr;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.IntWritable;
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 java.net.URI;

/**
 * 功能:新词频统计驱动器类
 * 作者:华卫
 * 日期:2022年12月14日
 */
public class WordCountDriverNew {
    public static void main(String[] args) throws Exception {
        // 创建配置对象
        Configuration conf = new Configuration();
        // 设置数据节点主机名属性
        conf.set("dfs.client.use.datanode.hostname", "true");

        // 获取作业实例
        Job job = Job.getInstance(conf);
        // 设置作业启动类
        job.setJarByClass(WordCountDriverNew.class);

        // 设置Mapper类
        job.setMapperClass(WordCountMapper.class);
        // 设置map任务输出键类型
        job.setMapOutputKeyClass(Text.class);
        // 设置map任务输出值类型
        job.setMapOutputValueClass(IntWritable.class);

        // 设置Reducer类
        job.setReducerClass(WordCountReducer.class);
        // 设置reduce任务输出键类型
        job.setOutputKeyClass(Text.class);
        // 设置reduce任务输出值类型
        job.setOutputValueClass(IntWritable.class);

        // 设置分区数量(reduce任务的数量,结果文件的数量)
        job.setNumReduceTasks(3);

        // 定义uri字符串
        String uri = "hdfs://master:9000";
        // 声明输入目录
        Path inputPath = null;
        // 声明输出目录
        Path outputPath = null;
        // 判断输入参数个数
        if (args.length == 0) {
            // 创建输入目录
            inputPath = new Path(uri + "/wordcount/input");
            // 创建输出目录
            outputPath = new Path(uri + "/wordcount/output");
        } else if (args.length == 2) {
            // 创建输入目录
            inputPath = new Path(uri + args[0]);
            // 创建输出目录
            outputPath = new Path(uri + args[1]);
        } else {
            // 提示用户参数个数不符合要求
            System.out.println("参数个数不符合要求,要么是0个,要么是2个!");
            // 结束应用程序
            return;
        }

        // 获取文件系统
        FileSystem fs = FileSystem.get(new URI(uri), conf);
        // 删除输出目录(第二个参数设置是否递归)
        fs.delete(outputPath, true);

        // 给作业添加输入目录(允许多个)
        FileInputFormat.addInputPath(job, inputPath);
        // 给作业设置输出目录(只能一个)
        FileOutputFormat.setOutputPath(job, outputPath);

        // 等待作业完成
        job.waitForCompletion(true);

        // 输出统计结果
        System.out.println("======统计结果======");
        FileStatus[] fileStatuses = fs.listStatus(outputPath);
        for (int i = 1; i < fileStatuses.length; i++) {
            // 输出结果文件路径
            System.out.println(fileStatuses[i].getPath());
            // 获取文件系统数据字节输入流
            FSDataInputStream in = fs.open(fileStatuses[i].getPath());
            // 将结果文件显示在控制台
            IOUtils.copyBytes(in, System.out, 4096, false);
        }
    }
}

20、重新打包上传虚拟机并执行

  • 重新打包
    在这里插入图片描述
  • 删除先前的jar包
    在这里插入图片描述
  • 上传新的单词文件
    在这里插入图片描述
  • 上传新的jar包
    在这里插入图片描述
  • 执行命令:hadoop jar MRWordCount-1.0-SNAPSHOT.jar net.hw.mr.WordCountDriverNew,不指定输入路径和输出路径参数
    在这里插入图片描述
    在这里插入图片描述
  • 执行命令:hadoop jar MRWordCount-1.0-SNAPSHOT.jar net.hw.mr.WordCountDriverNew /winter/input /winter/output,指定输入路径和输出路径参数
    在这里插入图片描述
    在这里插入图片描述
  • 执行命令:hadoop jar MRWordCount-1.0-SNAPSHOT.jar net.hw.mr.WordCountDriverNew /winter/input,指定输入路径参数,不指定输出路径参数
    在这里插入图片描述

21、将三个类合并成一个类完成词频统计

  • net.hw.mr包里创建WordCount
    在这里插入图片描述
package net.hw.mr;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
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.Tool;
import org.apache.hadoop.util.ToolRunner;

import java.io.IOException;
import java.net.URI;

/**
 * 功能:词频统计
 * 作者:华卫
 * 日期:2022年12月14日
 */
public class WordCount extends Configured implements Tool {

    public static class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
        @Override
        protected void map(LongWritable key, Text value, Context context)
                throws IOException, InterruptedException {
            // 获取行内容
            String line = value.toString();
            // 清洗所有英文标点符号(\p——属性[property],P——标点符号[Punctuation])
            line = line.replaceAll("[\\pP]", "");
            // 按空格拆分得到单词数组
            String[] words = line.split(" ");
            // 遍历单词数组,生成输出键值对
            for (int i = 0; i < words.length; i++) {
                context.write(new Text(words[i]), new IntWritable(1));
            }
        }
    }

    public static class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
        @Override
        protected void reduce(Text key, Iterable<IntWritable> values, Context context)
                throws IOException, InterruptedException {
            // 定义输出键出现次数
            int count = 0;
            // 历输出值迭代对象,统计其出现次数
            for (IntWritable value : values) {
                count = count + value.get();
            }
            // 生成键值对输出
            context.write(key, new IntWritable(count));
        }
    }

    @Override
    public int run(String[] strings) throws Exception {
        // 创建配置对象
        Configuration conf = new Configuration();
        // 设置数据节点主机名属性
        conf.set("dfs.client.use.datanode.hostname", "true");

        // 获取作业实例
        Job job = Job.getInstance(conf);
        // 设置作业启动类
        job.setJarByClass(WordCountDriver.class);

        // 设置Mapper类
        job.setMapperClass(WordCountMapper.class);
        // 设置map任务输出键类型
        job.setMapOutputKeyClass(Text.class);
        // 设置map任务输出值类型
        job.setMapOutputValueClass(IntWritable.class);

        // 设置Reducer类
        job.setReducerClass(WordCountReducer.class);
        // 设置reduce任务输出键类型
        job.setOutputKeyClass(Text.class);
        // 设置reduce任务输出值类型
        job.setOutputValueClass(IntWritable.class);

        // 设置分区数量(reduce任务的数量,结果文件的数量)
        job.setNumReduceTasks(3);

        // 定义uri字符串
        String uri = "hdfs://master:9000";
        // 创建输入目录
        Path inputPath = new Path(uri + "/wordcount2/input");
        // 创建输出目录
        Path outputPath = new Path(uri + "/wordcount2/output");

        // 获取文件系统
        FileSystem fs = FileSystem.get(new URI(uri), conf);
        // 删除输出目录(第二个参数设置是否递归)
        fs.delete(outputPath, true);

        // 给作业添加输入目录(允许多个)
        FileInputFormat.addInputPath(job, inputPath);
        // 给作业设置输出目录(只能一个)
        FileOutputFormat.setOutputPath(job, outputPath);

        // 等待作业完成
        boolean res = job.waitForCompletion(true);

        // 输出统计结果
        System.out.println("======统计结果======");
        FileStatus[] fileStatuses = fs.listStatus(outputPath);
        for (int i = 1; i < fileStatuses.length; i++) {
            // 输出结果文件路径
            System.out.println(fileStatuses[i].getPath());
            // 获取文件系统数据字节输入流
            FSDataInputStream in = fs.open(fileStatuses[i].getPath());
            // 将结果文件显示在控制台
            IOUtils.copyBytes(in, System.out, 4096, false);
        }

        if (res) {
            return 0;
        } else {
            return -1;
        }
    }

    public static void main(String[] args) throws Exception {
        int res = ToolRunner.run(new WordCount(), args);
        System.exit(res);
    }
}
  • 上传一个有标点符号的单词文件
    在这里插入图片描述
  • 运行程序,查看结果
    在这里插入图片描述
  • 先前为了打包上传能在虚拟机上运行jar包,将JDK版本降低到8,因此还得修改编译器配置文件
    在这里插入图片描述
    在这里插入图片描述
  • 运行程序,查看结果
    在这里插入图片描述

22、合并分区导致的多个结果文件

  • 采用分区来处理,确实提高了效率,但是现在有多个结果文件,怎么合并它们成为一个最终的一个结果文件呢?
  • 利用hadoop的-getmerge命令来完成:hdfs dfs -getmerge /wordcount/result part-r-final
    在这里插入图片描述

23、统计不同单词数

利用MR对多个文件进行词频统计,得到的一个或多个结果文件,多个结果文件可以合并成一个最终结果文件,比如part-r-final,然后利用Linux命令统计行数即可。

  • 利用cat -nu命令,带行号显示文件内容
    在这里插入图片描述

  • 利用wc -l命令,统计文件行数,即不同单词数
    在这里插入图片描述

  • wc命令还有其它参数
    在这里插入图片描述

三、归纳总结

  • 回顾本节课所讲的内容,并通过提问的方式引导学生解答问题并给予指导。

四、上机操作

  • 形式:单独完成
  • 题目:使用MapReduce计算总成绩
  • 要求:成绩表,包含四个字段(姓名、语文、数学、英语),只有三条记录
姓名语文数学英语
张钦林789076
陈燕文958898
卢志刚788060
  • 成绩表文件 - score.txt
张钦林 78 90 76
陈燕文 95 88 98
卢志刚 78 80 60
  • 使用MR,计算结果
    在这里插入图片描述

五、解决问题

错误:Did not find winutils.exe

环境变量
HADOOP_HOMED:\hadoop-3.3.4
HADOOP_USER_NAMEroot
Path%HADOOP_HOME%\bin;
  • 此时,重启IDEA,打开MRWordCount项目,运行WordCountDriver类,就没有问题了
    在这里插入图片描述
文章来源:https://blog.csdn.net/howard2005/article/details/135078098
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。