一：简介

MapReduce主要是先读取文件数据，然后进行Map处理，接着Reduce处理，最后把处理结果写到文件中。

Hadoop读取数据：通过InputFormat决定读取的数据的类型，然后拆分成一个个InputSplit，每个InputSplit(输入分片)对应一个Map处理，RecordReader读取InputSplit的内容给Map

• InputFormat：输入格式，决定读取数据的格式，可以是文件或数据库等
• InputSplit: 输入分片，代表一个个逻辑分片，并没有真正存储数据，只是提供了一个如何将数据分片的方法，通常一个split就是一个block。
• RecordReader：将InputSplit拆分成一个个<key, value>对给Map处理

• Mapper：主要是读取InputSplit的每一个Key,Value对并进行处理
• Shuffle：对Map的结果进行合并、排序等操作并传输到Reduce进行处理
• Combiner:
• Reduce：对map进行统计

1. select：直接分析输入数据，取出需要的字段数据即可
   1. where: 也是对输入数据处理的过程中进行处理，判断是否需要该数据
   2. aggregation: 聚合操作 min, max, sum
   3. group by: 通过Reducer实现
   4. sort：排序
   5. join: map join, reduce join
2. 输出格式: 输出格式会转换最终的键值对并写入文件。默认情况下键和值以tab分割，各记录以换行符分割。输出格式也可以自定义。

二：准备数据

1
2
3
4
5
1echo "Hadoop Common\nHadoop Distributed File System\nHadoop YARN\nHadoop MapReduce " > /tmp/foobar.txt

2hadoop fs -put /tmp/foobar.txt /wordcount/input

3hadoop fs -cat /wordcount/input/foobar.txt

4

5

三：Word Count

统计文件中每个单词出现的次数。

1. 引入依赖

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
1<dependency>                                              

2  <groupId>org.apache.hadoop</groupId>                    

3  <artifactId>hadoop-common</artifactId>                  

4  <version>3.2.1</version>                                

5</dependency>                                             

6                                                          

7<dependency>                                              

8  <groupId>org.apache.hadoop</groupId>                    

9  <artifactId>hadoop-mapreduce-client-common</artifactId> 

10  <version>3.2.1</version>                                

11</dependency>                                             

12                                                          

13<dependency>                                              

14  <groupId>org.apache.hadoop</groupId>                    

15  <artifactId>hadoop-mapreduce-client-core</artifactId>   

16  <version>3.2.1</version>                                

17</dependency>                                             

18

19

1. Java

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
1import org.apache.hadoop.conf.Configuration;

2import org.apache.hadoop.fs.Path;

3import org.apache.hadoop.io.IntWritable;

4import org.apache.hadoop.io.Text;

5import org.apache.hadoop.mapreduce.Job;

6import org.apache.hadoop.mapreduce.Mapper;

7import org.apache.hadoop.mapreduce.Reducer;

8import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;

9import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

10

11import java.io.IOException;

12import java.util.Iterator;

13import java.util.StringTokenizer;

14

15public class WordCount {

16

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

18        Configuration conf = new Configuration();

19        // core-site.xml中配置的fs.defaultFS

20        conf.set("fs.defaultFS", "hdfs://localhost:8020");

21

22        Job job = Job.getInstance(conf, "word count");

23        job.setJarByClass(WordCount.class);

24        job.setMapperClass(WordCount.TokenizerMapper.class);

25        job.setReducerClass(WordCount.IntSumReducer.class);

26        job.setOutputKeyClass(Text.class);

27        job.setOutputValueClass(IntWritable.class);

28

29

30        FileInputFormat.addInputPath(job, new Path("/wordcount/input/foobar.txt"));

31        FileOutputFormat.setOutputPath(job, new Path("/wordcount/output"));

32

33        // 等待job完成后退出

34        System.exit(job.waitForCompletion(true) ? 0 : 1);

35    }

36

37

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

39        private static final IntWritable one = new IntWritable(1);

40        private Text word = new Text();

41

42        /**

43         * map方法会调用多次，每行文本都会调用一次

44         * @param key

45         * @param value 每一行对应的文本

46         * @param context

47         */

48        @Override

49        public void map(Object key, Text value, Mapper<Object, Text, Text, IntWritable>.Context context) throws IOException, InterruptedException {

50            StringTokenizer itr = new StringTokenizer(value.toString());

51

52            while(itr.hasMoreTokens()) {

53                // 每个单词

54                String item = itr.nextToken();

55                this.word.set(item);

56                context.write(this.word, one);

57            }

58        }

59    }

60

61

62    public static class IntSumReducer extends Reducer<Text, IntWritable, Text, IntWritable> {

63        private IntWritable result = new IntWritable();

64

65        /**

66         * @param key 相同单词归为一组

67         * @param values 根据key分组的每一项

68         */

69        @Override

70        public void reduce(Text key, Iterable<IntWritable> values, Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException {

71            System.out.println(key.toString());

72            int sum = 0;

73

74            Iterator iter = values.iterator();

75            while (iter.hasNext()) {

76                int value = ((IntWritable) iter.next()).get();

77                sum += value;

78            }

79

80            this.result.set(sum);

81            context.write(key, this.result);

82        }

83    }

84}

85

86

四：执行.jar

在执行jar文件时需要指定mainClass, 否则会报错 RunJar jarFile [mainClass] args…

方式一：在命令行参数中指定mainClass

指定mainClass类的完全限定名hadoop jar xxx.jar <mainClass类的完全限定名>

1
2
3
4
1mvn clean package

2hadoop jar target/hadoop-mapreduce-wordcount-1.0-SNAPSHOT.jar org.example.WordCount

3

4

方式二：使用maven插件指定mainClass

配置maven-jar-plugin插件, 在插件中指定mainClass，在插件中配置了mainClass在命令行中就不需要再指定mainClass了。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
1<build>

2   <plugins>

3     <plugin>

4       <groupId>org.apache.maven.plugins</groupId>

5       <artifactId>maven-jar-plugin</artifactId>

6       <configuration>

7         <archive>

8           <manifest>

9             <addClasspath>true</addClasspath>

10            <classpathPrefix></classpathPrefix>

11            <mainClass>org.example.WordCount</mainClass>

12          </manifest>

13        </archive>

14      </configuration>

15    </plugin>

16  </plugins>

17</build>

18

19

1
2
3
4
1mvn clean package

2hadoop jar target/hadoop-mapreduce-wordcount-1.0-SNAPSHOT.jar

3

4