MapReduce WordCount 单词计数

发表于 更新于 本文字数： 30k 阅读时长 ≈ 27 分钟
使用 MapReduce 完成单词统计

实验环境

系统版本：Centos 7.5 Hadoop版本：Apache Hadoop 2.7.3

1. 简述

    Hadoop将输入数据切分成若干个输入分片(input split)，并将每个split交给一个MapTask处理； Map Task不断的从对应的split中解析出一个个key/value，并调用map()函数处理，处理完之后根据Reduce Task个数将结果分成若干个分片(partition)写到本地磁盘； 同时，每个Reduce Task从每个Map Task上读取属于自己的那个partition，然后基于排序的方法将key相同的数据聚集在一起，调用reduce()函数处理，并将结果输出到文件中。
流程图如下:

2. 编写代码

WordMap.java 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
package yiyun.hadoop.wordcount;

import java.io.IOException;

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

public class WordMap extends Mapper<Object, Text, Text, IntWritable> {
  protected void map(Object key, Text value, Context context) 
                  throws IOException, InterruptedException {
      String[] words = value.toString().split(" ");
      for(String word : words) {
        // 每个单词出现 1 次，作为中间结果输出
        context.write(new Text(word), new IntWritable(1));
      }
  }
}
WordReduce.java 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
package yiyun.hadoop.wordcount;

import java.io.IOException;

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

public class WordReduce extends Reducer<Text, IntWritable, Text, IntWritable> {
  protected void reduce(Text key, Iterable<IntWritable> values) 
                throws IOException, InterruptedException {
        int sum = 0;
        for(IntWritable count : values) {
          sum = sum + count.get();
        }
        // 输出最终结果
        context.write(key, new IntWritable(sum));
  }
}
WordMain.java 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
package yiyun.hadoop.wordcount;

import java.io.IOException;

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.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;


public class WordMain {
  public static void main(String[] args) 
              throws IOException, ClassNotFoundException, InterruptedException {
        if(args.length != 2 || args == null) {
          System.out.println("please input current Path");
          System.exit(0);
        }

        Configuration conf = new Configuration();
        Job job = new Job(conf, WordMain.class.getSimpleName());
        // 打包jar包
        job.setJarByClass(WordMain.class);
        // 通过job设置输入输出格式
        job.setInputFormatClass(TextInputFormat.class);
        job.setOutputFormatClass(TextOutputFormat.class);
        // 设置输入输出路径
        FileInputFormat.setInputPaths(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));
        // 设置处理 Map/Reduce 阶段的类
        job.setMapperClass(WordMap.class);
        job.setReducerClass(WordReduce.class);
        // 设置最终输出 key/value 的类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);
        // 提交作业
        job.waitForCompletion(true);
  }
}

3. 打包 jar

4. 上传用于单词计数的文本文件到hadoop

上传 test.txt 到 hadoop 根目录 
1
hadoop fs -put /home/yiyun/test.txt /
查看是否上传成功 
1
hadoop fs -ls /

5. 运行 jar 包

运行jar包，指定包名及主类名，然后指定输入路径参数和输出路径参数（该参数都是在HDFS上，且输出路径即word文件夹不能够已存在） 
1
hadoop jar /home/yiyun/wordcount.jar yiyun.hadoop.wordcount.WordMain /test.txt /word