第一个MapReduce程序-词频统计

最终结果展示：

一.MapReduce的概念

　　1）MapReduce是一个离线计算的框架

　　2）MPAReduce是基于HDFS之上的，没有HDFS就没有MapReduce

　　3）MapReduce由两个阶段组成：Map和Reduce，用户只需实现map()和reduce()即可完成分布式计算

　　4）Map阶段：逐个遍历【用来收集数据的】

　　5）Reducer阶段：做合并操作【用来合并数据】

二.具体实现

1.创建maven项目，导入jar包

  <dependencies>
    <dependency>
      <groupId>junit</groupId>
      <artifactId>junit</artifactId>
      <version>4.11</version>
      <scope>test</scope>
    </dependency>
    <!--COMMON是hadoop一切的核心-->
    <!-- https://mvnrepository.com/artifact/org.apache.hadoop/hadoop-common -->
    <dependency>
      <groupId>org.apache.hadoop</groupId>
      <artifactId>hadoop-common</artifactId>
      <version>2.7.3</version>
    </dependency>
    <!--hadoop是基于客户端服务器的-->
    <!-- https://mvnrepository.com/artifact/org.apache.hadoop/hadoop-client -->
    <dependency>
      <groupId>org.apache.hadoop</groupId>
      <artifactId>hadoop-client</artifactId>
      <version>2.7.3</version>
    </dependency>
    <!--操作MapReduce需要HDFS的依赖-->
    <!-- https://mvnrepository.com/artifact/org.apache.hadoop/hadoop-hdfs -->
    <dependency>
      <groupId>org.apache.hadoop</groupId>
      <artifactId>hadoop-hdfs</artifactId>
      <version>2.7.3</version>
    </dependency>
    <!--做MapReduce所需依赖包-->
    <!-- https://mvnrepository.com/artifact/org.apache.hadoop/hadoop-mapreduce-client-core -->
    <dependency>
      <groupId>org.apache.hadoop</groupId>
      <artifactId>hadoop-mapreduce-client-core</artifactId>
      <version>2.7.3</version>
    </dependency>
  </dependencies>

2.项目结构

3.编写WordCountMapper类

package com.blb.wordcount;

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

import java.io.IOException;

/**
 * Mapper<LongWritable,String, Text, IntWritable>
 *     第一个参数：表示读取的每一行的起始量
 *     第二个参数：表示读取的一行数据
 *     第三个参数：表示我们要输出的key类型
 *     第三个参数：表示我们要输出的value类型
 *  hadoop中提供了一套自己的序列化和反序列化的接口Writable
 *  对应的8种基本数据类型和String类型都帮我们实现了Writable接口
 *      int     IntWritable
 *      long    LongWritable
 *      double  DoubleWritable
 *      String  Text
 *      null    NullWritable
 *  int = IntWritable.get() 将IntWritable类型转换为int类型
 *  new IntWritable(1) 将int类型的1转换为IntWritable类型
 */
public class WordCountMapper extends Mapper<LongWritable,Text, Text, IntWritable> {

    //ctrl+o 找需要重写的方法

    /**
     * 该方法执行一行调用一次
     * @param key ：每一行的其实偏移量
     * @param value ：每一行的内容
     * @param context ：上下文对象
     */
    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        //去掉每一行的空格
        String s = value.toString().replaceAll(" ", "");
        //将字符串转换为字符数组
        char[] chars = s.toCharArray();
        //循环遍历数组，然后写入context
        for (char c:chars){
            //输出示例：<"我",1>
            context.write(new Text(c+""),new IntWritable(1));
        }
    }
}

4.编写WordCountReduce类

package com.blb.wordcount;

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

import java.io.IOException;

/**
 *  Reducer<Text, IntWritable,Text,IntWritable>
 *  Reducer处理的是map的结果
 *      第一个参数：是从map中传递过来的key的类型
 *      第二个参数：是从map中传递过来的value类型
 *      第三个参数：是Reducer执行之后写入文件的key类型【最终统计的词】
 *      第四个参数：是Reducer执行之后写入文件的value类型【每个词出现了多少次】
 *  map输出的结果：<"我",1> <"爱",1> <"我",1>
 *  reducer拿到数据之前会做一个分组[key相同的为一组]，分组是框架内部完成的，
 *  Reducer拿到的数据：<"我",<1,1>> <"爱",1>
 */
public class WordCountReduce extends Reducer<Text, IntWritable,Text,IntWritable> {

    /**
     * 该方法一组调用一次，对结果进行求和
     * @param key ：每一组中相同的key
     * @param values ：每一组相同的key对应的所有value值<"我",<1,1>>
     * @param context ：上下文对象，用于传输，将数据写入到HDFS中
     */
    @Override
    protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
        //用于做统计
        int sum = 0;
        for (IntWritable i:values){
            //将IntWritable类型的值转换为int类型的值然后求和
            sum += i.get();
        }
        context.write(key,new IntWritable(sum));
    }
}

5.编写WordCountJob类

package com.blb.wordcount;


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

/**
 * WordCountJob是一个可执行程序
 * 主要的目的是将Mapper和Reducer这两个类组合起来
 */
public class WordCountJob {

    public static void main(String[] args) {
        //先添加一个配置文件
        Configuration conf = new Configuration();
        //配置服务器的地址和端口
        conf.set("fs.defaultFS","hdfs://hdp01:9000");
        try {
            //启动一个Job【作用：封装程序中的mapper和reducer，封装输入输出】
            Job job = Job.getInstance(conf);

            //设置计算机的主驱动类，运行的时候回达成jar包运行
            job.setJarByClass(WordCountJob.class);

            //设置Mapper类和Reducer类
            job.setMapperClass(WordCountMapper.class);
            job.setReducerClass(WordCountReduce.class);

            //设置mapper的输出类型
            job.setMapOutputKeyClass(Text.class);
            job.setMapOutputValueClass(IntWritable.class);

            //设置Reducer的输出类型
            job.setOutputKeyClass(Text.class);
            job.setOutputValueClass(IntWritable.class);

            //设置输入的路径，需要统计单词的路径
            FileInputFormat.setInputPaths(job,new Path("/file/text.txt"));
            //设置输出的路径，执行完之后的结果的存放位置
            FileOutputFormat.setOutputPath(job,new Path("/out/"));
            //job提交
            job.waitForCompletion(true); //true:是否打印日志
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
}

6.将项目打成jar包

 

 7.启动hadoop

 （1）启动hdfs：start-dfs.sh

 （2）启动MapReduce：start-yarn.sh

 8.上传本地文本到linux和hdfs上

 9.上传先前打好的jar包后运行

 可能会出现的问题1：3个节点的时间不同步

 　　解决：ntpdate ntp1.aliyun.com 将为当前系统的时间设置为阿里云的时间

 10.运行成功界面