大数据之如何利用自己写的jar包在mapreduce的使用

Posted 头发浓密似羊毛

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了大数据之如何利用自己写的jar包在mapreduce的使用相关的知识,希望对你有一定的参考价值。

一:首先要将linux 和winodws的exlipse关联起来

第一步:在windows中部署hadoop包:解压一个hadoop压缩文件

第二步:将解压后的hadoop文件目录下的bin文件中的文件全部被替换成下面文件夹下的文件:该文件已经压缩并上传:bin.rar

第三步:将替换后的文件夹下的一个hadoop.dll复制到windows-->system32文件夹下

第四步:配置hadoop的环境变量:

需要配置的环境变量包括:

这里的root 是虚拟机的管理员账户

第五步:验证是否部署成功:在eclipse创建一个java项目

第六步:导入hadoop文件夹下相关的jar包:

第七步:利用jar包写第一个验证java项目:代码如下:

package com.sxt.test;

import java.net.URI;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;

public class TestHadoop {
    public static void main(String[] args) throws  Exception {
        Configuration conf=new Configuration();
        FileSystem fs=FileSystem.newInstance(new URI("hdfs://hadoop-node01:9000"), conf, "root");
        fs.mkdirs(new Path("/a123"));
        fs.close();
    }

}

第八步:运行该java项目:可以在浏览器中看到对应的文件是否生成;如果生成了则部署成功,否则失败

那么我们现在就可以在eclipse中通过java代码来操作hadoop了。

现在我们自己写一个jar包来统计一个文件中的单词的出现的次数。在这之前要理解mapreduce统计文档单词的原理

第一步:在eclipse中部署一个java项目

该java项目包括三个类:

这是根据mapreduce的原理来实现的java类:mapperTask是用来统计每个节点的文件的一部分的单词以及出现的次数

package com.sxt;
import java.io.IOException;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
/**
 * 这是统计每一个节点数据的每一行的单词出现的次数
 * KEYIN
 * 这是默认是一行一行读取的偏移量:比如 java ja jvas js hadoop 这是第一行那么偏移量就是0
 *                           js js jsjjsjs jsp json 这是第二行,那么偏移量就是第一行的单词的统计的个数:5
 *                           以此类推到每个节点的数据读取完毕
 *        这个类型是Long ---LongWritable
 *  VALUEIN
 *  默认是读取一行的数据的类型:这里是String
 *  KEYOUT
 *  处理完一个节点之后返回的数据key:单词:例如在一个节点的一部分数据中统计的单词有
 *                                 java
 *                                 ja
 *                                 js ....
 *  VALUEOUT
 *  处理完一个节点的数据返回的每一行中每一个单词出现的次数:IntWritable
 *  最后mapper处理完后返回的是: java[1,1,1,]
 *                       js[1,1,1]...
 * @author ASUS
 *
 */
public class MapperTask  extends Mapper<LongWritable, Text ,Text , IntWritable>{
    @Override
    /**
     * map阶段的任务的方法:是每次读取一行数据执行一次该方法
     */
    protected void map(LongWritable key, Text value,Context context)
            throws IOException, InterruptedException {
        // TODO Auto-generated method stub
        String line = value.toString();
        //利用空格进行分割
        String[] words = line.split(" ");
        for (String word : words) {
            // 将单词作为key 将1作为值 以便于后续的数据分发
            context.write(new Text(word), new IntWritable(1));
        }
    }
}

reduceTask是将各个节点获取的数据进行运算和统计

package com.sxt;

import java.io.IOException;

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

/**
 * 这是做数据统计汇总的
 * KEYIN:这是map统计的单词
 *  VALUEIN:这是map统计的数量
 *   KEYOUT:这是汇总之后的单词
 *    VALUEOUT:这是汇总之后的数量
 * @author ASUS
 *
 */
public class ReduceTak extends Reducer<Text, IntWritable, Text, IntWritable>{
    @Override
    /**
     *这是做汇总的方法:每个节点统计完毕执行一次
     */
    protected void reduce(Text key, Iterable<IntWritable> values,
        Context context) throws IOException, InterruptedException {
        // TODO Auto-generated method stub
        int count=0;
        for (IntWritable value : values) {
            count+=value.get();
        }
        context.write(key, new IntWritable(count));
    }
}

wordCount是用来启动的。

package com.sxt;

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.output.FileOutputFormat;
/**
 * 这是启动工具
 * @author ASUS
 *
 */
public class WordCount {
    public static void main(String[] args) throws Exception {
        //创建配置文件对象
        Configuration conf=new Configuration(true);
        //获取job对象
        Job job=Job.getInstance(conf);
        //设置相关类
        job.setJarByClass(WordCount.class);
        //指定map阶段和reduce阶段的处理类
        job.setMapperClass(MapperTask.class);
        job.setReducerClass(ReduceTak.class);
        //指定map的输出的kv类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);
        //指定joB的原始的输入输出路径,通过参数传入
        FileInputFormat.setInputPaths(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));
        // 将job中配置的参数和job所用的jar包提交给 yarn运行
        // waitForCompletion等待执行的结果
        job.waitForCompletion(true);
    }
}

第二步:将该java项目导出成一个jar包

第三步:在xshell中进行相应的操作:先将第二步导出的jar包上传到虚拟机

第四步:删除相应的/wordcount/input文件夹

第五步:重新创建对应的文件夹:

第六步:导入相关的要统计的文件

第八步:在浏览器中检查该文件是否存在:

第九步:运行创建的jar包和主方法:hadoop jar wc.jar com.sxt.WordCount  (这是传入的两个参数,在主方法中设置的,也可以写死)

第十步:看到结果:

还可以利用命令查看统计的结果:hadoop fs -cat  /wordcount/output/part-r-00000

 

以上是关于大数据之如何利用自己写的jar包在mapreduce的使用的主要内容,如果未能解决你的问题,请参考以下文章

大数据之Hadoop(MapReduce):MapReduce Shuffle的优化

大数据之Hadoop(MapReduce):MapReduce编程规范

大数据技术之MapReduce

《从0开始学大数据》之MapReduce 计算框架是如何运作的

大数据开发Elasticsearch推荐系统

MapReduce统计上行流量下行流量及流量之和,并且到集群上运行