在 Hadoop 上编写 MapReduce 程序

本帖最后由 pig2 于 2014-2-2 14:56 编辑

Map Reduce是包含两个过程：Map过程和Reduce过程。每一个过程都包含键值对作为输入，程序员可以选择键和值的类型。

Map和Reduce的数据流是这样的：

Input ==> Map ==> Mapper Output ==> Sort and shuffle ==> Reduce ==> Final Output

使用Java编写Hadoop Map Reduce代码Map Reduce程序需要三个元素：Map， Reduce和运行任务的代码（在这里，

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
public class Map extends 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,Context context) throws IOException, InterruptedException {
 
        word.set(value.toString());
 
        context.write(word, one);
 }
复制代码

我们把它叫做Invoker）。1）创建Map（可以是任何名字）类和map函数，map函数是在org.apache.hadoop.mapreduce.Mapper.class类中，以抽象方法定义的。解释：Mapper类是一个泛型类，带有4个参数（输入的键，输入的值，输出的键，输出的值）。在这里输入的键为LongWritable（hadoop中的Long类型），输入的值为Text（hadoop中的String类型），输出的键为Text（关键字）和输出的值为Intwritable（hadoop中的int类型）。以上所有hadoop数据类型和java的数据类型都很相像，除了它们是针对网络序列化而做的特殊优化。2）创建Reducer（任何名字）类和reduce函数，reduce函数是在org.apache.hadoop.mapreduce.Reducer.class类中，以抽象方法定义的。

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
import java.util.Iterator;
public class Reduce extends Reducer<Text, IntWritable, Text,IntWritable> {
    @Override
    protected void reduce(Text key, Iterable values, Context context) throws IOException, InterruptedException {
        int sum = 0;
        for(IntWritable intWritable : values){
            sum += intWritable.get();
        }
        context.write(key, new IntWritable(sum));
    }
}
复制代码

解释：

Reducer类是一个泛型类，带有4个参数（输入的键，输入的值，输出的键，输出的值）。在这里输入的键和输入的值必须跟Mapper的输出的类型相匹配，输出的键是Text（关键字），输出的值是Intwritable（出现的次数）

3）我们已经准备号了Map和Reduce的实现类，现在我们需要invoker来配置Hadoop任务，调用Map Reduce程序。

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
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;
复制代码

4）编译代码：

mkdir WordCount javac -classpath ${HADOOP_HOME}/hadoop-0.20.2+228-core.jar -d WordCount path/*.java
复制代码

5）创建jar包

jar -cvf ~/WordCount.jar -C WordCount/ .
复制代码

6）在本地文件系统中创建输入文件例如：mkdir /home/user1/wordcount/input

cd /wordcount/input gedit file01 gedit file02
复制代码

7）复制本地的输入文件到HDFS

$HADOOP_HOME/bin/hadoop fs -cp ~/wordcount/input/file01 /home/user1/dfs/input/file01 $HADOOP_HOME/bin/hadoop fs -cp ~/wordcount/input/file02 /home/user1/dfs/input/file02
复制代码

8) 执行jar包

$HADOOP_HOME/bin/hadoop jar WordCount.jar WordCount /home/user1/dfs/input /home/user1/dfs/output
复制代码

9）执行完毕后，以下的命令是用于查看reduce的输出文件

$HADOOP_HOME/bin/hadoop fs -ls /home/user1/dfs/output/
复制代码

10）使用如下命令来查看文件：

$HADOOP_HOME/bin/hadoop fs -cat hdfs:///home/user1/dfs/output/part-00000 $HADOOP_HOME/bin/hadoop fs -cat hdfs:///home/user1/dfs/output/part-00001 $HADOOP_HOME/bin/hadoop fs -cat hdfs:///home/user1/dfs/output/part-00002
复制代码