【分布式编程】二——基于Hadoop的MapReduce程序

此前配置好分布式Hadoop环境，此篇主要讲解经过Intellij IDEA编写分布式MapReduce程序以及利用Hadoop实现词频统计

系统环境

• 虚拟机：VirtualBox
• Linux：Ubuntu 16.04 LTS
• Hadoop 2.7.5
• IDE：Intellij IDEA
• JDK 1.8.0_151
  

安装Intellij及破解

安装Intellij IDEA

破解Intellij IDEA

建立Hadoop工程

建立新工程

1. 打开Intellij IDEA，建立一个新工程

2. 选择Java项目，并添加JDK路径

添加依赖包

点击File-Project Structure

打开后点击左侧Modules，而后点击Dependencies

点击右侧+，选择JARs or directories，将下图全部依赖包的目录导入

【注】/usr/hadoop-2.7.5是Hadoop安装目录

编写代码

新建一个类名为WordCount，代码以下

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
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 java.io.IOException;
import java.util.Iterator;
import java.util.StringTokenizer;
public class WordCount {
    public static class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable>{

        private final static IntWritable one = new IntWritable(1);
        private Text word = new Text();

        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();

        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);
        }
    }

    public static void main(String[] args) throws Exception {
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf, "word count");
        job.setJarByClass(WordCount.class);
        job.setMapperClass(TokenizerMapper.class);
        job.setCombinerClass(IntSumReducer.class);
        job.setReducerClass(IntSumReducer.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);
        FileInputFormat.addInputPath(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));
        System.exit(job.waitForCompletion(true) ? 0 : 1);
    }  
}

配置编译环境

点击Run-Edit Configuration

点击左上角+，而后点击Application

• Name，即该运行配置的名字，这里命名为RunHadoop

• Main Class，即须要运行的主类，这里使用的默认包，因此填写WordCount

• Program arguments，即运行时须要输入的参数，此处填写参数为hdfs://master:9000/data/input/README.txt hdfs://master:9000/output/

  此处，第一个参数为输入文件路径，第二个参数为输出文件路径。

  master:9000为分布式Hadoop环境中core-site.xml配置文件中fs.default.name的值

  /data/input/README.txt为分布式Hadoop环境中利用

  hdfs dfs -mkdir -p /data/input
  hdfs dfs -put README.txt /data/input

  建立并上传到HDFS系统中的文件路径。

【注】若hdfs://master:9000/output已经存在，须要手动删除

hdfs dfs -rm -r /output

查看运行结果

web界面查看

经过http://localhost:50070查看各个结点运行情况