编译WordCount实例

Posted 2022-12-04 Zip Zou

预节知识

在Hadoop集群环境中，其有两个重要和关键的系统，分别是HDFS和MapReduce。
其中HDFS是Hadoop的分布式存储的策略和核心，它实现了将数据分块，并且存储到多个DataNode上。
mapreduce的简单的可主要分为以下几个阶段：

• FileInputFormat中的input路径，读取进入输入文件，该输入文件会经过默认的算法和策略进行split形成分片，形成分片后，将会传入到mapper
• 默认情况下，产生的InputSplit作为了mapper的输入，而该输入也是一种键值对的形式，其key类型为LongWritable，为一个可写的长整型，并且其代表的是，当前分片在原始文件的字节偏移量;其value类型为Text类型，代表了文件按行分割（默认分割）后的行内容。该LongWritable
• Text输入到mapper后，hadoop会自动按照其内定的规约，去执行mapper的方法（该方法不止map方法一个，还有setup等方法，但是该方法提供了重写，默认下这些方法什么都不做），调用map方法后，会产生中间键值对。
• 该中间键值对，是在map产生的，如何产生，其产生的策略是什么，其以何为key，以何为value，都有用户在map方法中自行定义。产生的中间键值对，会根据用户的配置，有选择的决定是否进行Combine组合。
  组合过程实际上，是一个reduce过程，其可以在map产生中间键值对后，对中间键值对做一个组合，一般来说是为了去整合每个map中产生的具有相同key值的value，从而将重复的key，进行一个首次的合并，从而减少重复key的map进行传输到reduce中，消耗带宽。
  该过程为用户进行选择，并且为可选的执行过程，其主要过程是为了能够减少网络传输所消耗的不必要的带宽资源。
• 在mapper或combiner结束后，其产生的中间键值对，会作为reduce或下一个mapper的输入（这是一种链式的mapreduce，为简化整个过程不做详细说明）。接着这些键值对会被传入到reduce方法中，因此map的输出

终端编译实例hadoop程序

准备好JAVA文件，以下为官方源码，以下为旧API的使用：

package org.apache.hadoop.examples;

import java.io.IOException;
import java.util.Iterator;
import java.util.StringTokenizer;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapred.FileInputFormat;
import org.apache.hadoop.mapred.FileOutputFormat;
import org.apache.hadoop.mapred.JobClient;
import org.apache.hadoop.mapred.JobConf;
import org.apache.hadoop.mapred.MapReduceBase;
import org.apache.hadoop.mapred.Mapper;
import org.apache.hadoop.mapred.OutputCollector;
import org.apache.hadoop.mapred.Reducer;
import org.apache.hadoop.mapred.Reporter;
import org.apache.hadoop.mapred.TextInputFormat;
import org.apache.hadoop.mapred.TextOutputFormat;

public class WordCount 
    public static class Map extends MapReduceBase implements
            Mapper<LongWritable, Text, Text, IntWritable> 
        private final static IntWritable one = new IntWritable(1);
        private Text word = new Text();

        public void map(LongWritable key, Text value,
                OutputCollector<Text, IntWritable> output, Reporter reporter)
                throws IOException 
            String line = value.toString();
            StringTokenizer tokenizer = new StringTokenizer(line);
            while (tokenizer.hasMoreTokens()) 
                word.set(tokenizer.nextToken());
                output.collect(word, one);
            
        
    

    public static class Reduce extends MapReduceBase implements
            Reducer<Text, IntWritable, Text, IntWritable> 
        public void reduce(Text key, Iterator<IntWritable> values,
                OutputCollector<Text, IntWritable> output, Reporter reporter)
                throws IOException 
            int sum = 0;
            while (values.hasNext()) 
                sum += values.next().get();
            
            output.collect(key, new IntWritable(sum));
        
    

    public static void main(String[] args) throws Exception 
        JobConf conf = new JobConf(WordCount.class);
        conf.setJobName("wordcount");

        conf.setOutputKeyClass(Text.class);
        conf.setOutputValueClass(IntWritable.class);

        conf.setMapperClass(Map.class);
        conf.setCombinerClass(Reduce.class);
        conf.setReducerClass(Reduce.class);

        conf.setInputFormat(TextInputFormat.class);
        conf.setOutputFormat(TextOutputFormat.class);

        FileInputFormat.setInputPaths(conf, new Path(args[0]));
        FileOutputFormat.setOutputPath(conf, new Path(args[1]));

        JobClient.runJob(conf);
    

源码解析

main方法解析

首先在该方法中，加载一个Hadoop的job，并指定Job名，之后再为job设置输出类型为

Map类解析

该类继承自Mapper，从代码中可以看出，其输入的map为：

Reduce类解析

该Reducer在main方法中可以看出，它充当了两个成分，一个是Combiner，另一个是Reducer，Combiner在map方法执行结束后再本地调用，这是该reduce的作用就是，将同key的map的value进行累加，并写入到该key所代表的map中，使得该key对应的单词次数，不为1，而是将多个重复key并且出现次数为1的map聚合成了该单词在该行中出现的次数，如有文件一行如下：
hello java hello world hello hadoop
那么在map中产生键值对为：\\

# 编辑模式
sudo vim /etc/profile
# 将上述的hadoop classpath结果，拷贝到CLASSPATH中
# 保存生效
source /etc/profile

如图：

再进行编译，执行：javac WordCount.java，前提已经cd进该目录，ls可以看到该java文件，方可正确执行，如图：

可以看到生成了多个.class字节码文件，并且有两个带$号的文件，表示他们是WordCount的内部类，Map类和Reduce类，我们只需要将他们一起打包即可，执行jar cvf WordCount.jar *.class如图：



打包好后，我们即可以运行jar文件，但是此时还需要一些额外的准备工作，因为在这个程序中，需要两个参数，一个是输入文件的路径，一个是输出文件夹的路径，并且输出文件夹不可存在。
因此我们需要执行以下以下操作（frank指代用户名，要根据实际用户名替换）：
hdfs -mkdir -p /user/frank/input,创建完了需要将测试文件，提交到input目录，执行：hdfs dfs -put [你的文件路径]/* input即可提交，put后的路径表示你文件的位置，用户可上传包含若干个单词的txt文档，其中单词以空格分隔。
即可执行：java -jar org.apache.hadoop.examples.WordCount input output

注：若已经执行一次，第二次执行，必须要删除output文件方可执行！可执行：hdfs dfs -rm -r output进行删除，如图：

执行此操作必须保证hadoop服务已经开启

以上为执行效果，我们可以查看到远程的output文件：
执行：hdfs dfs -cat output/*，效果如图(文件内容可能不一样)：

这是在远程查看文件，我们也可以将文件下载到本地，执行：

# 创建保存的目录（若该目录存在则不需要执行）
mkdir ~/myoutput
# 将远程下载下来
hdfs dfs -get output/* ~/myoutput

效果如图：

我们可以查看本地的文件，执行：cat ~/myoutput/*，效果如下：

至此，使用命令行执行已经成功。

注意：多次执行该例子，请先删除output文件夹！

使用Eclipse在Linux中执行WordCount

既然是在Eclipse中编译和运行Hadoop，那么就是可视化的界面。
如果在Linux中安装了tar解压工具，可以直接解压eclipse到home路径。

注：该解压路径是任意的，但是尽量避免使用/usr、/lib等目录，这些目录必须要拥有root权限方可操作！

由于笔者的Linux中，未安装解压工具，这里使用命令行进行。
执行解压命令：tar -zxvf ~/Desktop/eclipse-java-neon-R-linux-gtk.tar.gz -C ~，由于笔者的eclipse放在了~/Desktop/eclipse-java-neon-R-linux-gtk.tar.gz，所以路径为这个，若读者路径不一样，请加以替换。
解压完成后，可以看到一个eclipse文件夹，里面的eclipse未可执行文件，接下来我们需要将hadoop的eclipse插件导入，如我们已经下载好了插件jar包，直接拖入解压后的eclipse文件夹中的plugins文件夹中，并执行:~/eclipse -clean来启动eclipse
启动成功后，我们需要配置MapReduce插件，首先选择:Window-Perspective-Open Perspective-Other，选择Map/Reduce后Ok
在eclipse中找到

Map/Reduce Locations项，单击右侧带+图标，新建一个Location
进入如下界面：

在Location name中，输入名称，名称可随意
在左侧的Master 中的Host中，输入master主机的IP地址，将其Port该为8088,
右侧DFS Master改为9000
保存后退出
退出后，我们在左侧Project Explorer中可以看到一个DFS的浏览器，里面可以看到我们的HDFS信息（启动了Hadoop服务）
接着我们需要配置我们的Hadoop路径到插件中，笔者的Hadoop配置在了，/usr/hadoop。
选择Window-Preferences-Hadoop Map-Reduce

选择Browse，或者直接在输入框中输入路径

注：该路径必须为hadoop的最终路径，该hadoop路径下包含了bin文件夹，sbin文件夹等

保存后，即可新建一个MapReduce项目，选择File-New-Other-Map/Reduce Project如：

输入项目名

并一直Next直到项目创建成功，可发现在项目中展开，可以发现Referenced Libraries，否则配置失败！

配置成功后，在src文件夹中，新建一个包：new-Package

由于在官方代码中，是有package的，所以我们需要给src新建一个包，防止源代码拷贝进来时会出错，包名为：org.apache.hadoop.examples，如果不新建包，可以直接粘贴代码，但是需要在源码中将package一句去除。

如图加入源码文件，除此之外，还需要将hadoop的两个xml配置文件，拖入到工程中，其分别是：core-site.xml,hdfs-site.xml,log4j.properties文件
路径在$HADOOP_HOME/etc/hadoop下，直接拷至项目的src文件夹下即可。

这样即可配置好了可执行环境，选择WordCount.java，右键Run As… - Run Configuration，在arguments中，填写入input output

该两个参数为指定hadoop程序的输入目录和输出目录，会用input和output则默认使用hdfs中/user/[用户名]/input和/user/[用户名]/output目录，读者可自行将input替换为HDFS中的存在的某个目录，这时候请尽量使用绝对路径，如：/user/frank/myinput

配置好运行参数后，Apply保存，关闭该窗口，右键该Java文件，选择Run As-Run on Hadoop即可启动运行。
至此运行结束后，可以在左上角的HDFS目录中，刷新，查看其产生的output目录下的文件，存储了结果文件。