MapReduce编程实现学习

MapReduce主要包括两个阶段：一个是Map，一个是Reduce. 每一步都有key-value对作为输入和输出。

　　Map阶段的key-value对的格式是由输入的格式决定的，如果是默认的TextInputFormat,则每行作为一个记录进程处理，其中key为此行的开头相对文件的起始位置，value就是此行的字符文本。Map阶段的输出的key-value对的格式必须同reduce阶段的输入key-value对的格式相对应。

下面开始尝试，假设我们需要处理一批有关天气的数据，其格式如下：

    按照ASCII码存储，每行一条记录
    每一行字符从0开始计数，第15个到第18个字符为年
    第25个到第29个字符为温度，其中第25位是符号+/-

Text文本样例：

0067011990999991950051507+0000+
0043011990999991950051512+0022+
0043011990999991950051518-0011+
0043012650999991949032412+0111+
0043012650999991949032418+0078+
0067011990999991937051507+0001+
0043011990999991937051512-0002+
0043011990999991945051518+0001+
0043012650999991945032412+0002+
0043012650999991945032418+0078+

上代码啦:

package Hadoop;

import java.io.IOException;
import java.util.StringTokenizer;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.Path;
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.Reducer.Context;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;

import java.io.IOException;
import java.util.StringTokenizer;

/**
 * Created by root on 4/23/16.
 */
public class hadoopTest extends Configured implements Tool{
　　 //map将输入中的value复制到输出数据的key上，并直接输出
    public static class Map extends Mapper<LongWritable, Text, Text, IntWritable> {

　　　　　//实现map函数
        @Override
        public void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
            String line = value.toString();
            String year = line.substring(15, 19);
            int airTemperature;

            if (line.charAt(25) == '+') {

                airTemperature = Integer.parseInt(line.substring(26, 30));

            } else {

                airTemperature = Integer.parseInt(line.substring(25, 30));

            }
            context.write(new Text(year), new IntWritable(airTemperature));
        }

    }

　　　　  //reduce将输入中的key复制到输出数据的key上，并直接输出
        public static class Reduce extends Reducer<Text, IntWritable, Text, IntWritable> {
            public void reduce(Text key, Iterable<IntWritable> values, Context context)
                    throws IOException, InterruptedException {

                int maxValue = Integer.MIN_VALUE;
                for (IntWritable sorce : values) {
                    maxValue = Math.max(maxValue, sorce.get());
                }

                    context.write(key, new IntWritable(maxValue));
            }
        }

        @Override
        public int run(String[] arg0) throws Exception {
　　　　　　　 //这里测试用，传入的路径直接赋值
            String InputParths = "/usr/local/hadooptext.txt";
            String OutputPath = "/usr/local/hadoopOut";
　　　　　　　 //声明一个job对象,这里的getConf是获取hadoop的配置信息，需要继承Configured.
            Job job = new Job(getConf());
　　　　　　   //设置job名称
            job.setJobName("AvgSorce");
            //设置mapper输出的key-value对的格式
            job.setOutputKeyClass(Text.class);
　　　　　　　 
　　　　　　　 //设置Mapper,默认为IdentityMapper,这里设置的代码中的Mapper
            job.setMapperClass(hadoopTest.Map.class);
　　　　　　   //Combiner可以理解为小的Reducer，为了降低网络传输负载和后续Reducer的计算压力 可以单独写一个方法进行调用
            job.setCombinerClass(Reduce.class);
　　　　　　　 //设置reduce输出的key-value对的格式
            job.setOutputValueClass(IntWritable.class);
            //设置输入格式
            job.setInputFormatClass(TextInputFormat.class);
            //设置输入输出目录
            FileInputFormat.setInputPaths(job, new Path(InputParths));
            FileOutputFormat.setOutputPath(job, new Path(OutputPath));
            boolean success = job.waitForCompletion(true);
            return success ? 0 : 1;
        }

        public static void main(String[] args) throws Exception {
            int ret = ToolRunner.run(new hadoopTest(), args);
            System.exit(ret);
        }
    }

Map函数继承自MapReduceBase,它实现了Mapper接口，此接口是一个范型类型，它有4种形式的参数，分别用来指定map的输入key值类型、输入value值类型、输出key值类型和输出value值类型。这里使用的是TextInputFormat，它的输出key值是LongWritable类型，输出value是Text类型。因为需要输出<word,1>形式，因此输出的key值类型是Text,输出的value值类型是IntWritable

InputFormat()和inputSplit

　　InputSplit是Hadoop定义的用来传输给每个单独的map的数据，InputSplit存储的并非数据本身，而是一个分片长度和一个记录数据位置的数组。生成InputSplit的方法可以通过InputFormat()来设置。当数据传输给map时，map会将输入分片传送到InputFormat上，InputFormat调用getRecordReader()方法生成RecordReader,RecordReader再通过creatKey()、creatValue()方法创建可供map处理的<key,value>对，即<k1,v1>，InputFormat()方法是用来生成可供map处理的<key,value>对的。

TextInputFormat是Hadoop默认的输入方法，在TextInputFormat中，每个文件都会单独地作为map的输入，而这是继承自FileInputFormat的，之后，每行数据都会生成一条记录，每条记录则表示成<key,value>形式。

这里的key是每个数据的记录在数据分片中的字节偏移量，数据类型是LongWritable. 

value值是每行的内容，数据类型是Text.

执行结果：