mapreduce入门程序之---wordcount

mapreduce是hadoop生态中非常重要的一部分，顾名思义，主要分为两部分，map和reduce，他们各司其职，map的主要功能是用来对待处理的文档进行处理，主要是对数据进行按行读取，分割，然后根据用户需要进行不同的判断，清晰，直到得到目标的干净数据。reduce程序主要是对map传来的数据进行汇总，求和。最后经统计的结果输入到目标文件中。具体代码如下： WCMapper.java import java.io.IOException; import org.apache.commons.lang.StringUtils; import org.apache.hadoop.io.LongWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Mapper; //4个泛型，前两个是mapper输入数据的类型KENY是输入的key的类型，VALUIN是指的value的类型 //map和reduce的数据的输入输出都是以key-value的形式存在的 //默认情况下框架传递给我们的mapper框架输入数据，key是要处理文本的中一行的起始位置的偏移量，这一行的内容作为value public class WCMapper extends Mapper { //mapredure框架每度一行数据就会调用一次方法，递归调用 @Override protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException { //具体业务逻辑写在这个方法中，而且我们要处理的数据已经被框架传递进来，在方法的key-value参数中 //key这一行数据的其实偏移量 value是这一行的内容 //将这一行的内容转换为String类型 String line = value.toString(); //将这一行内容进行分割 String[] words = StringUtils.split(line," "); //遍历数组，以k-v的形式 k:单词 v:1 for(String word : words) { context.write(new Text(word),new LongWritable(1)); } } } WCReducer.java import java.io.IOException; import org.apache.hadoop.io.LongWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Reducer; public class WCReducer extends Reducer { //map的数据处理完成之后对，将所有的kv对缓存起来，进行分组，然后传递一个分组 ,调用一次reduce // @Override protected void reduce(Text key, Iterable values,Context contest) throws IOException, InterruptedException { long count = 0; //遍历valueslist,进行累加求和 for(LongWritable value:values) { count +=value.get(); } //输出一个文件的统计结果 contest.write(key,new LongWritable(count)); } } WCRunner.java import java.io.IOException; import org.apache.hadoop.conf.Configuration; 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; public class WCRunner { //用来描述一个特定的job,比如改作业指定那个类是逻辑处理中的map,那个类是逻辑处理中发的reduce //还可以指定改作业要处理的数据的所在的路径 //还可以指定作业完成后输出结果放到的哪个路径中 public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException { Configuration conf = new Configuration(); Job job = Job.getInstance(conf); //设置整个job所要用到的jar包的类所在的位置 job.setJarByClass(WCRunner.class); //本job所使用的mapper和reduce job.setMapperClass(WCMapper.class); job.setReducerClass(WCReducer.class); //指定reduce的kv类型 job.setOutputKeyClass(Text.class); job.setOutputValueClass(LongWritable.class); //指定map的kv类型 job.setMapOutputKeyClass(Text.class); job.setMapOutputValueClass(LongWritable.class); //指定元数据指定在哪里 //这里的文件路径既可以windows中的文件路径，也可以是hdfs中的路径，前提是可以互相通讯 FileInputFormat.setInputPaths(job,new Path("/home/hadoop/data-shixun/wordcount/srcdata.txt")); FileOutputFormat.setOutputPath(job, new Path("/home/hadoop/data-shixun/wordcount/output")); //将job提交给集群 job.waitForCompletion(true); } } 代码中相应部分都有详细的注释。