文章目录
  1. 1. 编辑程序
  2. 2. 一个错误
  3. 3. WordCount 代码

上次我们已经搭建了Hadoop的伪分布式环境,并且运行了一下Hadoop自带的例子–WordCount程序,展现良好。但是大多数时候还是得自己写程序,编译,打包,然后运行的,所以做一次自编译打包运行的实验。

编辑程序

在Eclipse或者NetBeans中编辑WordCount.java程序,用IDE的好处就是我们可以更方便的选择各种依赖的jar包,并且它会帮我们编译好,我们只需要去workspace中拿出class文件打包就好了,或者直接打包就行。而不用在命令行输入很多依赖jar包去打包,这样更加省事。

1.新建Java Project,名为WordCount,然后建立一个叫test的package,新建WordCount.java,编辑好。结构如下:

2.这时候我们的workspace/WordCount/bin/test目录下自动生成了编译好的三个class文件。

3.将class文件打包。如下图所示,在bin/test目录下输入

1
$ jar cvf WordCount.jar test/

即可将class文件打包为WordCount.jar.

4.运行hdfs:

1
2
3
$ cd /usr/local/hadoop
$ ./sbin/start-dfs.sh
$ jps //检查是否启动NameNode,DataNode等

5.往HDFS上的input文件夹中put一个文本文件或者xml文件,上篇文章有讲。比如:

1
$ hadoop fs -put /usr/local/hadoop/etc/hadoop/*.xml input

6.运行WordCount.jar

1
2
3
$ cd ~/workspace/WordCount/bin   //进入到WordCount.jar所在目录
$ hadoop jar WordCount.jar test.WordCount input output
$ hadoop fs -cat output/part-r-00000 //查看输出

7.关闭hdfs

1
2
$ cd /usr/local/hadoop
$ ./sbin/stop-dfs.sh

下次运行时须将output目录删除。
到此,我们就编译运行成功了。还是挺简单的。毕竟WordCount是hadoop界的Helloworld啊。
以后我们编写hadoop程序,只需要按这个过程编译打包运行一下就可以了。

一个错误

之前没有指定包,而是放在默认包内的时候,运行

1
hadoop jar WordCount.jar WordCount input output

会出现:

1
Exception in thread "main" java.lang.ClassNotFoundException: WordCount

的错误,后来将WordCount.java重新写在一个package(test)中就不再有这个问题了。
即第三个参数一定要是入口类,比如程序属于包test,那么第三个参数须是test.WordCount

WordCount 代码

下面的代码下载自网上,我看他还写了很多注释,就直接拿来用了。

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
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
package test;

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.mapred.JobConf;
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 {

/**
* MapReduceBase类:实现了Mapper和Reducer接口的基类(其中的方法只是实现接口,而未作任何事情)
* Mapper接口:
* WritableComparable接口:实现WritableComparable的类可以相互比较。所有被用作key的类应该实现此接口。
* Reporter 则可用于报告整个应用的运行进度,本例中未使用。
*
*/

public static class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable> {

/**
* LongWritable, IntWritable, Text 均是 Hadoop 中实现的用于封装 Java 数据类型的类,这些类实现了WritableComparable接口,
* 都能够被串行化从而便于在分布式环境中进行数据交换,你可以将它们分别视为long,int,String 的替代品。
*/

private final static IntWritable one = new IntWritable(1);
private Text word = new Text(); //Text 实现了BinaryComparable类可以作为key值

/**
* Mapper接口中的map方法:
* void map(K1 key, V1 value, OutputCollector<K2,V2> output, Reporter reporter)
* 映射一个单个的输入k/v对到一个中间的k/v对
* 输出对不需要和输入对是相同的类型,输入对可以映射到0个或多个输出对。
* OutputCollector接口:收集Mapper和Reducer输出的<k,v>对。
* OutputCollector接口的collect(k, v)方法:增加一个(k,v)对到output
*/

public void map(Object key, Text value, Context context) throws IOException, InterruptedException {

/**
* 原始数据:
* c++ java hello
world java hello
you me too
map阶段,数据如下形式作为map的输入值:key为偏移量
0 c++ java hello
16 world java hello
34 you me too

*/


StringTokenizer itr = new StringTokenizer(value.toString()); //得到什么值

while (itr.hasMoreTokens()) {
word.set(itr.nextToken());
context.write(word, one);
}
}
}

public static class IntSumReducer extends Reducer<Text,IntWritable,Text,IntWritable> {
private IntWritable result = new IntWritable();
/**
* reduce过程是对输入数据解析形成如下格式数据:
* (c++ [1])
* (java [1,1])
* (hello [1,1])
* (world [1])
* (you [1])
* (me [1])
* (you [1])
* 供接下来的实现的reduce程序分析数据数据
*
*/

public void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
int sum = 0;
for (IntWritable val : values) {
sum += val.get();
}
result.set(sum);
context.write(key, result);
}
}

public static void main(String[] args) throws Exception {

/**
* JobConf:map/reduce的job配置类,向hadoop框架描述map-reduce执行的工作
* 构造方法:JobConf()、JobConf(Class exampleClass)、JobConf(Configuration conf)等
*/

Configuration conf = new Configuration();
String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
//这里需要配置参数即输入和输出的HDFS的文件路径
if (otherArgs.length != 2) {
System.err.println("Usage: wordcount <in> <out>");
System.exit(2);
}
Job job = new Job(conf, "word count"); // Job(Configuration conf, String jobName)
job.setJarByClass(WordCount.class);
job.setMapperClass(TokenizerMapper.class); // 为job设置Mapper类
job.setCombinerClass(IntSumReducer.class); // 为job设置Combiner类
job.setReducerClass(IntSumReducer.class); // 为job设置Reduce类
job.setOutputKeyClass(Text.class); // 设置输出key的类型
job.setOutputValueClass(IntWritable.class); // 设置输出value的类型
FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
}
大数据系统与技术 | Big Data