首发于学习职场

一起学Hadoop——第一个MapReduce程序

上一篇我们学习了MapReduce的原理,今天我们使用代码来加深对MapReduce原理的理解。

wordcount是Hadoop入门的经典例子,我们也不能免俗,也使用这个例子作为学习Hadoop的第一个程序。本文将介绍使用java和python编写第一个MapReduce程序。

本文使用Idea2018开发工具开发第一个Hadoop程序。使用的编程语言是Java。

打开idea,新建一个工程,如下图所示:

在弹出新建工程的界面选择Java,接着选择SDK,一般默认即可,点击“Next”按钮,如下图:


在弹出的选择创建项目的模板页面,不做任何操作,直接点击“Next”按钮。


输入项目名称,点击Finish,就完成了创建新项目的工作,我们的项目名称为:WordCount。如下图所示:

添加依赖jar包,和Eclipse一样,要给项目添加相关依赖包,否则会出错。

点击Idea的File菜单,然后点击“Project Structure”菜单,如下图所示:


依次点击Modules和Dependencies,然后选择“+”的符号,如下图所示:


选择hadoop的包,我用得是hadoop2.6.1。把下面的依赖包都加入到工程中,否则会传下某个类找不到的错误。

(1)”/usr/local/hadoop/share/hadoop/common”目录下的hadoop-common-2.6.1.jar和haoop-nfs-2.6.1.jar;

(2)/usr/local/hadoop/share/hadoop/common/lib”目录下的所有JAR包;

(3)“/usr/local/hadoop/share/hadoop/hdfs”目录下的haoop-hdfs-2.6.1.jar和haoop-hdfs-nfs-2.7.1.jar;

(4)“/usr/local/hadoop/share/hadoop/hdfs/lib”目录下的所有JAR包。


工程已经创建好,我们开始编写Map类、Reduce类和运行MapReduce的入口类:


Map类如下:

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 WordcountMap extends Mapper<LongWritable,Text,Text,IntWritable> {

    public void map(LongWritable key,Text value,Context context)throws IOException,InterruptedException{
        String line = value.toString();//读取一行数据
        String str[] = line.split("");//因为英文字母是以“ ”为间隔的,因此使用“ ”分隔符将一行数据切成多个单词并存在数组中
        for(String s :str){//循环迭代字符串,将一个单词变成<key,value>形式,及<"hello",1>
            context.write(new Text(s),new IntWritable(1));
        }
    }
}

Reudce类:

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.io.Text;

import java.io.IOException;

public class WordcountReduce extends Reducer<Text,IntWritable,Text,IntWritable> {
    public void reduce(Text key, Iterable<IntWritable> values,Context context)throws IOException,InterruptedException{
        int count = 0;
        for(IntWritable value: values) {
            count++;
        }
        context.write(key,new IntWritable(count));
    }
}

入口类 :

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;

public class WordCount {
    public static void main(String[] args)throws Exception{
        Configuration conf = new Configuration();
        //获取运行时输入的参数,一般是通过shell脚本文件传进来。
        String [] otherArgs = new GenericOptionsParser(conf,args).getRemainingArgs();
        if(otherArgs.length < 2){
            System.err.println("必须输入读取文件路径和输出路径");
            System.exit(2);
        }
        Job job = new Job();
        job.setJarByClass(WordCount.class);
        job.setJobName("wordcount app");

        //设置读取文件的路径,都是从HDFS中读取。读取文件路径从脚本文件中传进来
        FileInputFormat.addInputPath(job,new Path(args[0]));

        //设置mapreduce程序的输出路径,MapReduce的结果都是输入到文件中
        FileOutputFormat.setOutputPath(job,new Path(args[1]));

        //设置实现了map函数的类
        job.setMapperClass(WordcountMap.class);

        //设置实现了reduce函数的类
        job.setReducerClass(WordcountReduce.class);

        //设置reduce函数的key值
        job.setOutputKeyClass(Text.class);
        //设置reduce函数的value值
        job.setOutputValueClass(IntWritable.class);

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

代码写好之后,开始jar包,按照下图打包。点击“File”,然后点击“Project Structure”,弹出如下的界面,

依次点击"Artifacts" -> "+" -> "JAR" -> "From modules with dependencies",然后弹出一个选择入口类的界面,选择刚刚写好的WordCount类,如下图:


按照上面设置好之后,就开始打jar包,如下图:





点击上图的“Build”之后就会生成一个jar包。jar的位置看下图,依次点击File->Project Structure->Artifacts就会看到如下的界面:




将打好包的wordcount.jar文件上传到装有hadoop集群的机器中,然后创建shell文件,shell文件内容如下,/usr/local/src/hadoop-2.6.1是hadoop集群中hadoop的安装位置,

/usr/local/src/hadoop-2.6.1/bin/hadoop jar wordcount.jar \ #执行jar文件的命令以及jar文件名,
hdfs://hadoop-master:8020/data/english.txt \ #输入路径
hdfs://hadoop-master:8020/wordcount_output #输出路径

执行shell文件之后,会看到如下的信息,

上图中数字1表示输入分片split的数量,数字2表示map和reduce的进度,数字3表示mapreduce执行成功,数字4表示启动多少个map任务,数字5表示启动多少个reduce任务。

自行成功后在hadoop集群中的hdfs文件系统中会看到一个wordcount_output的文件夹。使用“hadoop fs -ls /”命令查看:

在wordcount_output文件夹中有两个文件,分别是_SUCCESS和part-r-00000,part-r-00000记录着mapreduce的执行结果,使用hadoop fs -cat /wordcount_output/part-r-00000查看part-r-00000的内容:

可以每个英文单词出现的次数。

至此,借助idea 2018工具开发第一个使用java语言编写的mapreduce程序已经成功执行。下面介绍使用python语言编写的第一个mapreduce程序,相对于java,python编写mapreduce会简单很多,因为hadoop提供streaming,streaming是使用Unix标准流作为Hadoop和应用程序之间的接口,所以可以使用任何语言通过标准输入输出来写MapReduce程序。


下面介绍使用Python编写MapReduce

看代码:

实现了map函数的python程序,命名为map.py:

#!/usr/local/bin/python
import sys #导入sys包
for line in sys.stdin: #从标准输入中读取数据
    ss = line.strip().split(' ')#读取每一行数据,strip()函数过滤掉空格换行的字符,split(' ')分隔出每个额单词并存放在数组ss中
    for s in ss: #读取数组ss中的每个单词
        if s.strip() != "":
        print "%s\t%s" % (s, 1)#构造以单词为key,1为value的键值对,并写入到标准输出中。


实现了reduce函数的python程序,命名为reduce.py:

import sys
cur_word = None
sum = 0
for line in sys.stdin:
    ss = line.strip().split('\t')#从标准输入中读取数据。
    if len(ss) != 2:
        continue
    word,cnt = ss
    if cur_word == None:
        cur_word = word
    #因为从map流转到reduce的数据时按照key排好序的,cur_word记录的是上一个单词,word记 
    #录的是当前读取的单词,如果两个单词一致,则将sum+1,否则将word和sum值组成一个键值对,
    ##写入到标准输出,同时sum赋值为0,并且将word赋值给cur_word变量。
    if cur_word != word:
        print '\t'.join([cur_word,str(sum)])
        cur_word = word
        sum = 0
    sum += int(cnt)
print '\t'.join([cur_word,str(sum)])


map和reduce程序=已经编写完毕,下面编写shell脚本文件:

HADOOP_CMD="/usr/local/src/hadoop-2.6.1/bin/hadoop"
STREAM_JAR_PATH="/usr/local/src/hadoop-2.6.1/share/hadoop/tools/lib/hadoop-streaming-2.6.1.jar "

INPUT_FILE_PATH_1="/data/english.txt"#输入路径
OUTPUT_PATH="/wordcount_output"#输出路径
$HADOOP_CMD fs -rmr -skipTrash $OUTPUT_PATH#每次执行时都删除输出路径,否则会出错

$HADOOP_CMD jar $STREAM_JAR_PATH \
-input $INPUT_FILE_PATH_1 \#指定输入路径
-output $OUTPUT_PATH \#指定输出路径
-mapper "python map.py" \#指定要执行的map程序
-reducer "python reduce.py" \#指定要执行reduce程序
-file ./map.py \#指定map程序所在的位置
-file ./reduce.py#指定reduce程序所在的位置

至此,使用Java和Python编写第一个Hadoop MapReduce程序已经全部搞定,如果有对的地方欢迎指正。

发布于 2018-08-27

文章被以下专栏收录