Java编写Mapreduce程序过程浅析

一个Maprduce程序主要包括三部分：Mapper类、Reducer类、执行类。

Maven项目下所需依赖

<dependencies>
       <dependency>
           <groupId>org.apache.hadoop</groupId>
           <artifactId>hadoop-client</artifactId>
           <version>3.3.0</version>
       </dependency>
       <dependency>
           <groupId>junit</groupId>
           <artifactId>junit</artifactId>
           <version>4.12</version>
           <scope>test</scope>
       </dependency>
       <dependency>
           <groupId>org.slf4j</groupId>
           <artifactId>slf4j-api</artifactId>
           <version>1.7.30</version>
       </dependency>
       <dependency>
           <groupId>junit</groupId>
           <artifactId>junit</artifactId>
           <version>3.8.2</version>
       </dependency>
       <dependency>
           <groupId>junit</groupId>
           <artifactId>junit</artifactId>
           <version>4.12</version>
           <scope>compile</scope>
       </dependency>
   </dependencies>

数据类型

• Text： 一种可变长度的字节数组，用于表示文本数据。相当于Java中的String。

• LongWritable、IntWritable、FloatWritable、DoubleWritable： 分别用于表示长整型、整型、浮点型和双精度浮点型数据。相当于Java中的long、int、float和double。

• BooleanWritable： 用于表示布尔类型数据。相当于Java中的boolean。

• NullWritable： 用于表示空值，通常用于表示Map任务的输出中间结果数据中的值为空。相当于Java中的null。

• ArrayWritable： 用于表示数组类型数据。相当于Java中的数组。

• MapWritable： 一种可序列化的Map数据结构，可以作为Map任务的输出（中间结果数据）或Reduce任务的输入。相当于Java中的Map<>。

• WritableComparable： 一种可序列化的、可比较的数据类型接口，可以作为Map任务或Reduce任务的输入输出数据类型。

一、Mapper类

import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.util.StringUtils;
import java.io.IOException;
public class WordCountMapper extends Mapper<LongWritable,Text,Text,LongWritable> {
   @Override
   protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
       //如果当前数据不为空
       if (value!=null){
           //获取每一行的数据
           String line = value.toString();
           //将一行数据根据空格分开
//            String[] words = line.split(" ");
           String[] words = StringUtils.split(line,' ');//hadoop的StringUtils.split方法对大数据来说比Java自带的拥有更好的性能
           //输出键值对
           for (String word : words) {
               context.write(new Text(word),new LongWritable(1));
           }
       }
   }
}

二、Reducer类

import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
public class WordCountReducer extends Reducer<Text, LongWritable,Text,LongWritable> {
   @Override
   protected void reduce(Text key, Iterable<LongWritable> values, Context context) throws IOException, InterruptedException {
       //累加单词的数量
       long sum = 0;
       //遍历单词计数数组,将值累加到sum中
       for (LongWritable value : values) {
           sum += value.get();
       }
       //输出每次最终的计数结果
       context.write(key,new LongWritable(sum));
   }
}

三、执行类

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
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;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;
public class WordCountRunner extends Configured implements Tool {
   public static void main(String[] args) throws Exception {
       ToolRunner.run(new Configuration(),new WordCountRunner(),args);
   }
   @Override
   public int run(String[] args) throws Exception {
       Configuration conf = new Configuration();
       Job job = Job.getInstance(conf, "word count");
       job.setJarByClass(WordCountRunner.class);
       job.setMapperClass(WordCountMapper.class);
       job.setReducerClass(WordCountReducer.class);
       job.setMapOutputKeyClass(Text.class);
       job.setMapOutputValueClass(LongWritable.class);
       job.setOutputKeyClass(Text.class);
       job.setOutputValueClass(LongWritable.class);
       //设置统计文件输入的路径,将命令行的第一个参数作为输入文件的路径
       //读取maven项目下resources目录的文档    
       String path = getClass().getResource("/words.txt").getPath();
       FileInputFormat.setInputPaths(job,path);
       //设置结果数据存放路径,将命令行的第二个参数作为数据的输出路径
       //输出目录必须不存在!!!
       FileOutputFormat.setOutputPath(job,new Path("./output"));
       return job.waitForCompletion(true) ? 0 : 1;
   }
}

程序执行结果

• .part-r-00000.crc： 是Reduce任务输出结果文件的校验文件，用于校验Reduce任务输出结果文件的完整性和正确性。该文件由Hadoop框架自动生成，不需要手动创建，其内容是Reduce任务输出结果文件的校验和信息。

• ._SUCCESS.crc： 是表示任务执行成功的标志文件的校验文件，用于校验标志文件的完整性和正确性。该文件由Hadoop框架自动生成，其内容是标志文件的校验和信息。

• _SUCCESS： 表示任务执行成功的标志文件，文件内容为空。

• part-r-00000： 表示Reduce任务的输出结果文件，其中&ldquo;00000&rdquo;表示该文件是第一个Reduce任务的输出结果文件，如果有多个Reduce任务，则会生成多个该类型的文件，文件内容为每个单词出现的次数。

来源：https://blog.csdn.net/m0_64261982/article/details/130610470