Hadoop——使用IDEA开发WordCount on Yarn

首先将之前配置好的mapred-site.xml和yarn-site.xml拷贝进resources文件夹，并在pom.xml中加入

        <!-- https://mvnrepository.com/artifact/org.apache.hadoop/hadoop-client -->
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-client</artifactId>
            <version>2.6.5</version>
        </dependency>

具体代码及解释如下：

package com.hadoop.mapreduce.wc;

import org.apache.hadoop.io.Text;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;

import java.io.IOException;

/**
 * @author Song X
 * @date 2020/02/29
 */
public class MyWordCount {


    /**
     * 用于解析配置文件
     */
    private static Configuration configuration = null;

    /**
     * 用于提交计算任务给集群
     */
    private static Job job = null;

    public static void init() throws Exception {
        configuration = new Configuration(true);
        job = Job.getInstance(configuration);
        job.setJarByClass(MyWordCount.class);
        //起一个job名字
        job.setJobName("Test_WordCount");

        //指定输入和输出数据路径
        Path inputPath = new Path("/data/wc/input");
        TextInputFormat.addInputPath(job, inputPath);

        //写这句话时要保证这个目录不存在，不然会报错
        //为防止我们事先不知道存不存在，可以加下面的代码，若存在则先删除，注意正式开发时，小心使用这个代码，防止误删数据！！！
        //if(outputPath.getFileSystem(configuration).exists(outputPath)){
        //      outputPath.getFileSystem(configuration).delete(outputPath, true);
        //}
        Path outputPath = new Path("/data/wc/output");
        TextOutputFormat.setOutputPath(job, outputPath);

    }

    private static void compute() throws Exception {
        //设置Map计算类
        job.setMapperClass(MyMapper.class);

        //需要在这里告诉Reduce端传来的key-value都是什么类型，方便Reduce端做序列化和反序列化
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);

        //设置Reduce计算类
        job.setReducerClass(MyReduce.class);

        //提交任务，并等待完成
        job.waitForCompletion(true);
    }


    public static void main(String[] args) throws Exception{
        init();
        compute();
    }

}

package com.hadoop.mapreduce.wc;

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

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

/**
 * Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT>
 * 不管在map还是reduce，都会牵扯到Java的序列化和反序列化
 * Text和IntWritable就是Hadoop对String和int的序列化包装类型
 * 如果是自己开发的的类型，必须实现序列化、反序列化接口
 *
 * 在map和reduce中，依照所学，排序是很重要的，而排序实际上就是比较，所以自己开发的类型也需要实现比较器接口，定义自己的比较规则
 *
 * @author Frank
 * @date 2020/02/29
 */
public class MyMapper extends Mapper<Object, Text, Text, IntWritable> {

    /**
     * 比如这样的数据hello hadoop 1
     *              hello hadoop 2
     * 经过map完的记过应该是hello 1
     *                     hello 1
     *                     hadoop 1
     *                     hadoop 1
     *                     1 1
     *                     2 1
     * 所以你会发现，key永远在变，而value是不变的（正是因为value不变，所以定义为static final对性能是最优的）
     */


    /**
     * 这就是Map输出类型key-value的value
     */
    private static final IntWritable one = new IntWritable(1);

    /**
     * 这就是输出类型key-value的key
     */
    private Text word = new Text();

    /**
     * hello hadoop 1
     * hello hadoop 2
     * @param key 是每一行字符串第一个字符面向源文件的偏移量，比如上面第一行的h偏移量是0，第二行的h偏移量是15(换行符也算，第一个h偏移量是0)
     * @param value 字符串本身，比如hello hadoop 1。所以我们其实只是要处理value
     * @param context
     * @throws IOException
     * @throws InterruptedException
     */
    @Override
    public void map(Object key, Text value, Context context) throws IOException, InterruptedException {
        //java的一个工具类，使用正则的方式对字符串进行空白切割，得到一个包含所有单词的迭代器
        StringTokenizer itr = new StringTokenizer(value.toString());

        while(itr.hasMoreTokens()){
            //将单词赋给word
            word.set(itr.nextToken());
            //将单词和1合并输出
            context.write(word, one);
        }
    }

}

package com.hadoop.mapreduce.wc;

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

import java.io.IOException;

/**
 * Reducer<KEYIN, VALUEIN, KEYOUT, VALUEOUT>
 * Reducer的输入类型很明显就是Map的输出类型，Reduce的输出类型由我们自己指定
 * @author
 * @date 2020/02/29
 */
public class MyReduce extends Reducer<Text, IntWritable, Text, IntWritable> {
    /**
     * 回想ReduceTask，是相同的key为一组，一组数据调用一次reduce方法
     * 所以reduce收到的数据应该长这样
     *                      hello 1
     *                      hello 1
     *                      hello 1
     *                        ...
     *
     */

    /**
     * 最后key-value结果的value
     */
    private IntWritable result = new IntWritable();

    /**
     *
     * @param key
     * @param values 我们会得到一个value的迭代器
     * @param context
     * @throws IOException
     * @throws InterruptedException
     */
    @Override
    public void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException{
        //业务代码其实很简单，就是对同一个key做value的累加
        int sum = 0;
        for(IntWritable value : values){
            sum += value.get();
        }

        result.set(sum);
        context.write(key, result);
    }
}

写好代码后点击package将程序打包成jar包i

然后会在目录中生成对应的jar包
将其拷贝到节点上，使用hadoop jar com.hadoop.mapreduce.wc.MyWordCount进行运行
注意：第三个参数是程序的入口类，第四个参数和第五个参数分别是数据的input path和output path，我在程序中写死了，这里就不用传了

Hadoop入门系列到此就更新结束了