WordCount源码详解
1.源码解释
package org.apache.hadoop.examples;
import java.io.IOException;
import java.util.StringTokenizer;
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.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.GenericOptionsParser;
public class WordCount {
public static class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable>{
/*定义hadoop数据类型IntWritable实例one,并且赋值为1,为什么是1呢?
因为不管一个单词出现几次,我们都会直接输出1
假如输入数据是 nice to nice 那么用context.write(word,one)处理的结果就是
nice 1
to 1
nice 1
假如赋值是2 那么输出就变成了,
nice 2
to 2
nice 2
*/
private final static IntWritable one = new IntWritable(1);
//定义hadoop数据类型Text
private Text word = new Text();
//实现map函数,其中countext参数可以记录key和value
public void map(Object key, Text value, Context context) throws IOException, InterruptedException {
StringTokenizer itr = new StringTokenizer(value.toString()); //字符串分解类 把一行单词分解成一个个
while (itr.hasMoreTokens()) { //循环条件表示返回是否还有分隔符
word.set(itr.nextToken()); //itr.nextToken获取单词,word.set() 方法将Java数据类型转换成hadoop数据类型转换,只有这样才能输出
context.write(word, one); //按照格式输出结果,比如nice 1
}
}
}
public static class IntSumReducer //继承泛型类reducer
extends Reducer<Text,IntWritable,Text,IntWritable> {
private IntWritable result = new IntWritable();
public void reduce(Text key, Iterable<IntWritable> values, Context context
) throws IOException, InterruptedException {
//用sum来记录相同单词的数量,是java类型的数据
int sum = 0;
for (IntWritable val : values) { //遍历得到结果
sum += val.get(); //因为val的数据类型是IntWritable,所以需要将IntWritable类型的数据转换成java可以识别的数据类型,Intwritable.set(), IntWritable.get()都能进行数据转换,set()方法是将Java数据类型转换成hadoop可识别的数据类型,而get()方法是将hadoop的数据类型转换成java可识别的数据类型
}
result.set(sum); //将java的数据类型转换成Hadoop可识别的数据类型
context.write(key, result); //输出结果到hdfs
}
}
public static void main(String[] args) throws Exception {
//读取hadoop的配置参数,也就是安装hadoop时候的配置文件例如:core-site.xml、hdfs-site.xml和mapred-site.xml等等文件里的信息
Configuration conf = new Configuration();
//GenericOptionsParser类,它是用来解释常用hadoop命令,并根据需要为Configuration对象设置相应的值
String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
//运行WordCount程序时候一定是两个参数,如果不是就会报错退出,其实这2个参数的作用就是告诉机器输入文件的地址和输出文件的地址
if (otherArgs.length != 2) {
System.err.println("Usage: wordcount <in> <out>");
System.exit(2);
}
Job job = new Job(conf, "word count"); //创建一个任务,第二个参数word count是任务的名称
job.setJarByClass(WordCount.class);
job.setMapperClass(TokenizerMapper.class); //装载程序员编写好的计算程序,例如我们的程序类名就是WordCount了。这里我要做下纠正,虽然我们编写mapreduce程序只需要实现map函数和reduce函数,但是实际开发我们要实现三个类,第三个类是为了配置mapreduce如何运行map和reduce函数,准确的说就是构建一个mapreduce能执行的job了,例如WordCount类。
job.setCombinerClass(IntSumReducer.class);
job.setReducerClass(IntSumReducer.class); //指定要使用的reduce类
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class); //定义输出结果的key/value的类型,也就是最终存储在hdfs上结果文件的key/value的类型。
FileInputFormat.addInputPath(job, new Path(otherArgs[0])); //确定输入文件的路径
FileOutputFormat.setOutputPath(job, new Path(otherArgs[1])); //确定输出文件的路径
System.exit(job.waitForCompletion(true) ? 0 : 1); //如果job成功运行,我们的程序就会正常退出
}
}
2.自己动手写出WordCount程序
分析WordCount的示例程序,可以看出一个基本的结构
底层的东西,hadoop的框架已经帮我们搞定了,我们剩下的工作其实就是设计以下3个方面
- mapper类
- reducer类
- main() 方法
package org.apache.hadoop.examples;
import java.io.IOException;
import java.util.StringTokenizer;
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.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.GenericOptionsParser;
public class xxx {
public static class MyMapper extends Mapper<xxx, xxx, xxx, xxx>{
public void map(xxx key, xxx value, Context context) throws IOException, InterruptedException {
编写你的代码
}
}
public static class MyReducer extends Reducer<xxx,xxx,xxx,xxx> {
public void reduce(xxx key, xxx values, Context context) throws IOException, InterruptedException {
编写你的代码
}
}
public static void main(String[] args) throws Exception {
Configuration conf = new Configuration();
String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
if (otherArgs.length != 2) {
System.err.println("Usage: wordcount <in> <out>");
System.exit(2);
}
Job job = new Job(conf, "xxx");
job.setJarByClass(xxx.class); //根据自己编写的类来填写
job.setMapperClass(xxx.class);
job.setCombinerClass(xxx.class);
job.setReducerClass(xxx.class);
job.setOutputKeyClass(xxx.class);
job.setOutputValueClass(xxx.class);
FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
System.exit(job.waitForCompletion(true) ? 0 : 1);
}