Hadoop经典入门案例实战

2024-07-11 07:11| 来源: 网络整理| 查看: 265

Hadoop入门学习最经典的案例就是WordCount单词统计实战案例，这个案例可以帮你迅速理解hadoop中mapreduce执行过程及其原理。下面潘老师通过代码的实现并结合图文说明，给大家详解下具体内容。

前期准备

1、保证Hadoop伪分布式环境正常启动。如果还没有搭建好，请参考博文：Hadoop3.x伪分布式环境搭建图文详解教程，让你快速入门大数据开发 2、保证Eclipse正确整合了Maven。如果还没有整合，请参考博文：Maven安装与配置，学习整合Eclipse构建第一个Maven项目

WordCount单词统计案例需求说明

首选我们有一个文本文件，里面的内容很简单，就3行共6个单词，每个单词之间用空格隔开，具体内容如下，你可以复制一下内容粘贴到自己创建的words.txt中。

Deer Bear River Car Car River Deer Car Bear

我们的需求是将每个单词在文本中出现的次数统计出来，统计结果格式如下：

Bear 2 Car 3 Deer 2 River 2 统计原理分析说明

先直接上执行过程原理图： Hadoop经典入门案例实战-WordCount单词统计代码实现及原理分析

图中整个MapReduce统计过程主要分为Split、Map、Shuffle和Reduce 4个阶段，每个阶段作用如下： 1）Split：首先大文件会被切分成多份，假设这里被切为3份，每一行代表一份 2）Map：解析出每个单词，并在后面记上数字1 3）Shuffle：将每一份中的单词分组到一起，并默认按照字母顺序进行排序 4）Reduce：将相同的单词进行；累加 5）将结果输出结果到HDFS 代码实现

1、首先启动Hadoop，然后使用rz指令先将words.txt文件上传至/usr/hadoop目录（也可以自定义目录），然后ls查看下。 Hadoop经典入门案例实战-WordCount单词统计代码实现及原理分析 2、使用hdfs指令hdfs dfs -mkdir /input在HDFS根目录下新建在input文件夹（名称可自定义），然后执行查看指令hdfs dfs -ls /。 3、使用hdfs指令hdfs dfs -put /usr/hadoop/words.txt /input将words.txt上传到input目录。 Hadoop经典入门案例实战-WordCount单词统计代码实现及原理分析 4、使用指令hdfs dfs -cat /input/words.txt查看上传的文本内容 5、在Eclipse中新建Maven项目wordconut，并删除App.java和AppTest.java文件。 6、在pom.xml的dependencies添加hadoop包依赖（也可顺便删除junit依赖，因为我们这里用不到），具体如下：

注意：这里的hadoop版本要和你的虚拟机上的hadoop版本保持一致，我这里是hadoop3.2.1版本 org.apache.hadoop hadoop-client 3.2.1

7、在wordcount项目中自定义Mapper类，具体代码如下：

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; /*** * 自定义Mapper类，需要继承Mapper类 * 在这里原来的Long变为了LongWritable类型 * 字符串变为了Text类型，int变为了IntWritable类型 */ public class WordCountMapper extends Mapper { /** * 需要重写map方法 * 该方法输入k1,v1参数，输出k2,v2参数 */ @Override protected void map(LongWritable k1, Text v1, Context context) throws IOException, InterruptedException { //k1代表每一行行首的偏移量，v1代表每一行的内容 //对每一行内容进行切割，把单词切割出来 String[] words = v1.toString().split(" "); //迭代切割出来的单词数组 for(String word:words) { //把迭代出来的单词封装成形式 Text k2 = new Text(word); IntWritable v2 = new IntWritable(1); //将写出去 context.write(k2, v2); } } }

8、在wordcount项目中自定义Reducer类，具体代码如下：

import java.io.IOException; import org.apache.hadoop.io.IntWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Reducer; /** * 自定义Reducer类，继承Reducer类 */ public class WordCountReducer extends Reducer { /** * 需要重写reduce方法，针对v2s数据进行累加求和 * 并最终把数据转换为写出去 */ @Override protected void reduce(Text k2, Iterable v2s,Context context) throws IOException, InterruptedException { //创建sum变量，保存v2s和 int sum = 0; //迭代v2s，累加求和 for(IntWritable v2:v2s) { sum += v2.get(); } //组装 Text k3 = k2; IntWritable v3 = new IntWritable(sum); //将写出去 context.write(k3, v3); } }

9、在wordcount项目中自定义Job类，具体代码如下：

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; /** * 单词统计任务类 */ public class WordCountJob { //组装job=map+reduce public static void main(String[] args) { try { if(args.length!=2) { //如果传递的参数个数不够，直接退出 System.exit(1); } //job需要配置的参数 Configuration conf = new Configuration(); //创建一个job Job job = Job.getInstance(conf); //设置主方法-这一行必须设置，否则在集群中执行无法找到WordCountJob这个类 job.setJarByClass(WordCountJob.class); //指定输入路径（可以是文件也可以是目录） FileInputFormat.setInputPaths(job, new Path(args[0])); //指定输出路径（只能是一个不存在的目录） FileOutputFormat.setOutputPath(job, new Path(args[1])); //指定Mapper相关代码 job.setMapperClass(WordCountMapper.class); //指定k2的类型 job.setMapOutputKeyClass(Text.class); //指定v2的类型 job.setMapOutputValueClass(IntWritable.class); //指定Reducer相关代码 job.setReducerClass(WordCountReducer.class); //指定k3类型 job.setOutputKeyClass(Text.class); //指定v3类型 job.setOutputValueClass(IntWritable.class); //提交job job.waitForCompletion(true); } catch (IOException | ClassNotFoundException | InterruptedException e) { // TODO Auto-generated catch block e.printStackTrace(); } } }

10、在pom.xml添加编译打包配置，具体在dependencies依赖配置同级别添加如下配置：

注意：这里的JDK版本，依据自己安装的JDK版本来设置 org.apache.maven.plugins maven-compiler-plugin 2.3.2 UTF-8 1.8 1.8 true maven-assembly-plugin jar-with-dependencies make-assembly package single

11、修改hadoop依赖，限制使用范围，变成如下配置：

org.apache.hadoop hadoop-client 3.2.1 provided

12、右键wordcount项目->run as->maven install，执行打包操作。注意，如果出现如图所示错误： Hadoop经典入门案例实战-WordCount单词统计代码实现及原理分析则需要检查Window->Preferences->Installed JREs配置的是否是jdk目录，而不是jre目录，确保是jdk目录，然后重新执行上面的指令。 13、执行成功后，在wordcount项目的target文件夹下，会生成两个jar包，一个是带依赖的，一个是不带依赖的，这里我们使用不带依赖的，也就是第二个。 Hadoop经典入门案例实战-WordCount单词统计代码实现及原理分析 14、将wordcount-0.0.1-SNAPSHOT.jar上传到/usr/hadoop目录。 15、执行任务指令： hadoop jar wordcount-0.0.1-SNAPSHOT.jar com.pzy.wordcount.WordCountJob /input/words.txt /outputwords

注意指令格式（包路径一定不能少，输出路径一定是HDFS中不存在的文件夹）： hadoop jar XX.jar XX全类名参数1（数据输入路径）参数2（数据输出路径）参数3 参数4…

16、耐心等待执行完成，直到map 100%，reduce 100%。 Hadoop经典入门案例实战-WordCount单词统计代码实现及原理分析也可去浏览器访问YARN的ResourceManager界面，我这里地址是http://192.168.217.100:8088/cluster，查看任务状态。 17、使用如下两个指令查看统计结果： hdfs dfs -ls /outputwords hdfs dfs -cat /outputwords/part-r-00000 Hadoop经典入门案例实战-WordCount单词统计代码实现及原理分析

总结

相信大家通过这个经典入门案例的学习，一定对hadoop大数据处理有了新的认识，对MapReduce执行原理也有了进一步的理解。

【本文地址】

公司简介

联系我们