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,否则会出现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:
JAVA编写MarReduce代码
Map类如下:
1 importorg.apache.hadoop.io.IntWritable;2
3 importorg.apache.hadoop.io.LongWritable;4
5 importorg.apache.hadoop.io.Text;6
7 importorg.apache.hadoop.mapreduce.Mapper;8
9 importjava.io.IOException;10
11
12 public class WordcountMap extends Mapper{13 public void map(LongWritable key,Text value,Context context)throwsIOException,InterruptedException{14
15 String line = value.toString();//读取一行数据
16
17 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
18
19 for(String s :str){//循环迭代字符串,将一个单词变成形式,及
20 context.write(new Text(s),new IntWritable(1));21 }22 }23 }
Reudce类:
1 importorg.apache.hadoop.io.IntWritable;2 importorg.apache.hadoop.mapreduce.Reducer;3 importorg.apache.hadoop.io.Text;4 importjava.io.IOException;5
6 public class WordcountReduce extends Reducer{7 public void reduce(Text key, Iterable values,Context context)throwsIOException,InterruptedException{8 int count = 0;9 for(IntWritable value: values) {10 count++;11 }12 context.write(key,newIntWritable(count));13 }14 }
入口类 :
1 importorg.apache.hadoop.conf.Configuration;2 importorg.apache.hadoop.fs.Path;3 importorg.apache.hadoop.mapreduce.Job;4 importorg.apache.hadoop.mapreduce.lib.input.FileInputFormat;5 importorg.apache.hadoop.mapreduce.lib.output.FileOutputFormat;6 importorg.apache.hadoop.util.GenericOptionsParser;7 importorg.apache.hadoop.io.IntWritable;8 importorg.apache.hadoop.io.Text;9
10 public classWordCount {11
12 public static void main(String[] args)throwsException{13 Configuration conf = newConfiguration();14 //获取运行时输入的参数,一般是通过shell脚本文件传进来。
15 String [] otherArgs = newGenericOptionsParser(conf,args).getRemainingArgs();16 if(otherArgs.length < 2){17 System.err.println("必须输入读取文件路径和输出路径");18 System.exit(2);19 }20 Job job = newJob();21 job.setJarByClass(WordCount.class);22 job.setJobName("wordcount app");23
24 //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
25 FileInputFormat.addInputPath(job,new Path(args[0]));26 //设置mapreduce程序的输出路径,MapReduce的结果都是输入到文件中
27 FileOutputFormat.setOutputPath(job,new Path(args[1]));28
29 //设置实现了map函数的类
30 job.setMapperClass(WordcountMap.class);31 //设置实现了reduce函数的类
32 job.setReducerClass(WordcountReduce.class);33
34 //设置reduce函数的key值
35 job.setOutputKeyClass(Text.class);36 //设置reduce函数的value值
37 job.setOutputValueClass(IntWritable.class);38 System.exit(job.waitForCompletion(true) ? 0 :1);39 }40 }
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,
1 /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,2
3 hdfs://hadoop-master:8020/data/english.txt \ #输入路径
4
5 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。
Python编写MapReduce程序
看代码:
实现了map函数的python程序,命名为map.py:
1 #!/usr/local/bin/python
2
3 import sys #导入sys包
4
5 for line in sys.stdin: #从标准输入中读取数据
6 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
7
8 for s in ss: #读取数组ss中的每个单词
9 if s.strip() != "":10 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:
1 importsys2 cur_word =None3 sum =04 for line insys.stdin:5 ss = line.strip().split('\t')#从标准输入中读取数据。
6 if len(ss) != 2:7 continue
8 word,cnt =ss9 if cur_word ==None:10 cur_word =word11 #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。
12 if cur_word !=word:13 print '\t'.join([cur_word,str(sum)])14 cur_word =word15 sum =016 sum +=int(cnt)17 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:
1 HADOOP_CMD="/usr/local/src/hadoop-2.6.1/bin/hadoop"
2 STREAM_JAR_PATH="/usr/local/src/hadoop-2.6.1/share/hadoop/tools/lib/hadoop-streaming-2.6.1.jar"
3
4 INPUT_FILE_PATH_1="/data/english.txt"#输入路径5 OUTPUT_PATH="/wordcount_output"#输出路径6 $HADOOP_CMD fs -rmr -skipTrash $OUTPUT_PATH#每次执行时都删除输出路径,否则会出错7
8 $HADOOP_CMD jar $STREAM_JAR_PATH \9 -input $INPUT_FILE_PATH_1 \#指定输入路径10 -output $OUTPUT_PATH \#指定输出路径11 -mapper "python map.py"\#指定要执行的map程序12 -reducer "python reduce.py"\#指定要执行reduce程序13 -file ./map.py \#指定map程序所在的位置14 -file ./reduce.py#指定reduce程序所在的位置
到此Java和Python编写第一个MapReduce程序已经完成。