(一)Hadoop之Mapreduce的基础入门实例WordCount详解

Mapreduce初析

　　Mapreduce是一个计算框架，既然是作计算的框架，那么表现形式就是有个输入（input）。mapreduce操做这个输入（input），经过自己定义好的计算模型，获得一个输出（output），这个输出就是咱们所须要的结果。

　　在运行一个mapreduce计算任务时候，任务过程被分为两个阶段：map阶段和reduce阶段，每一个阶段都是用键值对（key/value）做为输入（input）和输出（output）。而咱们程序员要作的就是定义好这两个阶段的函数：map函数和reduce函数。

Mapreduce的基础实例

　　讲解mapreduce运行原理前，首先咱们看看mapreduce里的hello world实例WordCount,这个实例在任何一个版本的hadoop安装程序里都会有。

package org.apache.hadoop.examples;

import java.io.IOException;
import java.util.StringTokenizer;

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.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;
/**
 * 
 * 描述：WordCount explains by York
  * @author Hadoop Dev Group
 */
publicclass WordCount {
    /**
     * 创建Mapper类TokenizerMapper继承自泛型类Mapper
     * Mapper类:实现了Map功能基类
     * Mapper接口：
     * WritableComparable接口：实现WritableComparable的类能够相互比较。全部被用做key的类应该实现此接口。
     * Reporter 则可用于报告整个应用的运行进度，本例中未使用。 
     * 
     */
  public static class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable>{
   /**
      * IntWritable, Text 均是 Hadoop 中实现的用于封装 Java 数据类型的类，这些类实现了WritableComparable接口，
      * 都可以被串行化从而便于在分布式环境中进行数据交换，你能够将它们分别视为int,String 的替代品。
      * 声明one常量和word用于存放单词的变量
    */
    privatefinalstatic IntWritable one =new IntWritable(1);
    private Text word =new Text();
    /**
         * Mapper中的map方法：
         * void map(K1 key, V1 value, Context context)
         * 映射一个单个的输入k/v对到一个中间的k/v对
         * 输出对不须要和输入对是相同的类型，输入对能够映射到0个或多个输出对。
         * Context：收集Mapper输出的<k,v>对。
         * Context的write(k, v)方法:增长一个(k,v)对到context
         * 程序员主要编写Map和Reduce函数.这个Map函数使用StringTokenizer函数对字符串进行分隔,经过write方法把单词存入word中
         * write方法存入(单词,1)这样的二元组到context中
     */  
    public void map(Object key, Text value, Context context) throws IOException, InterruptedException {
      StringTokenizer itr =new StringTokenizer(value.toString());
      while (itr.hasMoreTokens()) {
        word.set(itr.nextToken());
        context.write(word, one);
      }
    }
  }
  
  public static class IntSumReducer extends Reducer<Text,IntWritable,Text,IntWritable> {
    private IntWritable result =new IntWritable();
    /**
      * Reducer类中的reduce方法：
      * void reduce(Text key, Iterable<IntWritable> values, Context context)
      * 中k/v来自于map函数中的context,可能通过了进一步处理(combiner),一样经过context输出           
    */
    public void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
      int sum =0;
      for (IntWritable val : values) {
        sum += val.get();
      }
      result.set(sum);
      context.write(key, result);
    }
  }

  publicstaticvoid main(String[] args) throws Exception {
    /**
      * Configuration：map/reduce的j配置类，向hadoop框架描述map-reduce执行的工做
    */
    Configuration conf =new Configuration();
    String[] otherArgs =new GenericOptionsParser(conf, args).getRemainingArgs();
    if (otherArgs.length !=2) {
      System.err.println("Usage: wordcount <in> <out>");
      System.exit(2);
    }
    Job job =new Job(conf, "word count");    //设置一个用户定义的job名称
    job.setJarByClass(WordCount.class);
    job.setMapperClass(TokenizerMapper.class);    //为job设置Mapper类
    job.setCombinerClass(IntSumReducer.class);    //为job设置Combiner类
    job.setReducerClass(IntSumReducer.class);    //为job设置Reducer类
    job.setOutputKeyClass(Text.class);        //为job的输出数据设置Key类
    job.setOutputValueClass(IntWritable.class);    //为job输出设置value类
    FileInputFormat.addInputPath(job, new Path(otherArgs[0]));    //为job设置输入路径
    FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));//为job设置输出路径
    System.exit(job.waitForCompletion(true) ?0 : 1);        //运行job
  }
}

WordCount逐行解析

• 对于map函数的方法：

public void map(Object key, Text value, Context context) throws IOException, InterruptedException {…}

　　这里有三个参数，前面两个Object key, Text value 就是输入的 key 和 value ，第三个参数Context context这是能够记录输入的key和value，例如：context.write(word, one)。

• 对于reduce函数的方法：

public void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {…}

　　reduce函数的输入也是一个 key/value 的形式，不过它的value是一个迭代器的形式 Iterable<IntWritable> values ，也就是说reduce的输入是一个key对应一组的值的value，reduce也有context和map的context做用一致。至于计算的逻辑则须要程序员编码实现。

• 对于main函数的调用：

首先是

Configuration conf = new Configuration();

运行MapReduce程序前都要初始化Configuration，该类主要是读取MapReduce系统配置信息，这些信息包括hdfs还有MapReduce，也就是安装hadoop时候的配置文件例如：core-site.xml、hdfs-site.xml和mapred-site.xml等等文件里的信息，有些童鞋不理解为啥要这么作，这个是没有深刻思考MapReduce计算框架形成，咱们程序员开发MapReduce时候只是在填空，在map函数和reduce函数里编写实际进行的业务逻辑，其它的工做都是交给MapReduce框架本身操做的，可是至少咱们要告诉它怎么操做啊，好比hdfs在哪里，MapReduce的jobstracker在哪里，而这些信息就在conf包下的配置文件里。

接下来的代码是：

String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
    if (otherArgs.length != 2) {
      System.err.println("Usage: wordcount <in> <out>");
      System.exit(2);
    }

　　If的语句好理解，就是运行WordCount程序时候必定是两个参数，若是不是就会报错退出。至于第一句里的GenericOptionsParser类，它是用来解释经常使用hadoop命令，并根据须要为Configuration对象设置相应的值，其实平时开发里咱们不太经常使用它，而是让类实现Tool接口，而后再main函数里使用ToolRunner运行程序，而ToolRunner内部会调用GenericOptionsParser。

接下来的代码是：

Job job = new Job(conf, "word count");
    job.setJarByClass(WordCount.class);
    job.setMapperClass(TokenizerMapper.class);
    job.setCombinerClass(IntSumReducer.class);
    job.setReducerClass(IntSumReducer.class);

　　第一行就是在构建一个job，在mapreduce框架里一个mapreduce任务也叫mapreduce做业也叫作一个mapreduce的job，而具体的map和reduce运算就是task了，这里咱们构建一个job，构建时候有两个参数，一个是conf这个就不累述了，一个是这个job的名称。

　　第二行就是装载程序员编写好的计算程序，例如咱们的程序类名就是WordCount了。这里我要作下纠正，虽然咱们编写mapreduce程序只须要实现map函数和reduce函数，可是实际开发咱们要实现三个类，第三个类是为了配置mapreduce如何运行map和reduce函数，准确的说就是构建一个mapreduce能执行的job了，例如WordCount类。

　　第三行和第五行就是装载map函数和reduce函数实现类了，这里多了个第四行，这个是装载Combiner类，这个类和mapreduce运行机制有关，其实本例去掉第四行也没有关系，可是使用了第四行理论上运行效率会更好。

接下来的代码：

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

　　这个是定义输出的 key/value 的类型，也就是最终存储在 hdfs 上结果文件的 key/value 的类型。

最后的代码是：

FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
    FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
    System.exit(job.waitForCompletion(true) ? 0 : 1);

　　第一行就是构建输入的数据文件，第二行是构建输出的数据文件，最后一行若是job运行成功了，咱们的程序就会正常退出。