需求
计算出文件中每个单词的频数。要求输出结果按照单词的字母顺序进行排序。每个单词和其频数占一行，单词和频数之间有间隔。
比如，输入两个文件，其一内容如下：
hello world
hello hadoop
hello mapreduce
另一内容如下：
bye world
bye hadoop
bye mapreduce
对应上面给出的输入样例，其输出样例为：
bye 3
hadoop 2
hello 3
mapreduce 2
world 2
方案制定
对该案例，可设计出如下的MapReduce方案：
1. Map阶段各节点完成由输入数据到单词切分再到单词搜集的工作
2. shuffle阶段完成相同单词的聚集再到分发到各个Reduce节点的工作 (shuffle阶段是MapReduce的默认过程)
3. Reduce阶段负责接收所有单词并计算各自频数
代码示例
1 /**
2 * Licensed under the Apache License, Version 2.0 (the "License");
3 * you may not use this file except in compliance with the License.
4 * You may obtain a copy of the License at
5 *
6 * http://www.apache.org/licenses/LICENSE-2.0
7 *
8 * Unless required by applicable law or agreed to in writing, software
9 * distributed under the License is distributed on an "AS IS" BASIS,
10 * WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
11 * See the License for the specific language governing permissions and
12 * limitations under the License.
13 */
14
15
16 package org.apache.hadoop.examples;
17
18 import java.io.IOException;
19 import java.util.StringTokenizer;
20
21 //导入各种Hadoop包
22 import org.apache.hadoop.conf.Configuration;
23 import org.apache.hadoop.fs.Path;
24 import org.apache.hadoop.io.IntWritable;
25 import org.apache.hadoop.io.Text;
26 import org.apache.hadoop.mapreduce.Job;
27 import org.apache.hadoop.mapreduce.Mapper;
28 import org.apache.hadoop.mapreduce.Reducer;
29 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
30 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
31 import org.apache.hadoop.util.GenericOptionsParser;
32
33 // 主类
34 public class WordCount {
35
36 // Mapper类
37 public static class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable>{
38
39 // new一个值为1的整数对象
40 private final static IntWritable one = new IntWritable(1);
41 // new一个空的Text对象
42 private Text word = new Text();
43
44 // 实现map函数
45 public void map(Object key, Text value, Context context) throws IOException, InterruptedException {
46
47 // 创建value的字符串迭代器
48 StringTokenizer itr = new StringTokenizer(value.toString());
49
50 // 对数据进行再次分割并输出map结果。初始格式为<字节偏移量，单词> 目标格式为<单词，频率>
51 while (itr.hasMoreTokens()) {
52 word.set(itr.nextToken());
53 context.write(word, one);
54 }
55 }
56 }
57
58 // Reducer类
59 public static class IntSumReducer extends Reducer<Text,IntWritable,Text,IntWritable> {
60
61 // new一个值为空的整数对象
62 private IntWritable result = new IntWritable();
63
64 // 实现reduce函数
65 public void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
66
67 int sum = 0;
68 for (IntWritable val : values) {
69 sum += val.get();
70 }
71
72 // 得到本次计算的单词的频数
73 result.set(sum);
74
75 // 输出reduce结果
76 context.write(key, result);
77 }
78 }
79
80 // 主函数
81 public static void main(String[] args) throws Exception {
82
83 // 获取配置参数
84 Configuration conf = new Configuration();
85 String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
86
87 // 检查命令语法
88 if (otherArgs.length != 2) {
89 System.err.println("Usage: wordcount <in> <out>");
90 System.exit(2);
91 }
92
93 // 定义作业对象
94 Job job = new Job(conf, "word count");
95 // 注册分布式类
96 job.setJarByClass(WordCount.class);
97 // 注册Mapper类
98 job.setMapperClass(TokenizerMapper.class);
99 // 注册合并类
100 job.setCombinerClass(IntSumReducer.class);
101 // 注册Reducer类
102 job.setReducerClass(IntSumReducer.class);
103 // 注册输出格式类
104 job.setOutputKeyClass(Text.class);
105 job.setOutputValueClass(IntWritable.class);
106 // 设置输入输出路径
107 FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
108 FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
109
110 // 运行程序
111 System.exit(job.waitForCompletion(true) ? 0 : 1);
112 }
113 }
运行方法
1. 打开Eclipse并启动Hdfs(方法请参考前文)
2. 新建一个MapReduce工程：”file" -> "new" -> "project"，然后选择 "Map/Reduce Project"
3. 设置输入目录及文件
在项目工程包里面新建一个名为input的目录，里面存放需要处理的输入文件。这里选用2个文件名分别为file01和file02的文件进行测试。文件内容同需求示例。
4. 将输入文件传输入Hdfs
在终端输入以下命令即可将整个目录传输进Hdfs(input目录下的所有文件将会被送进Hdfs下名为input01的目录里)，请根据MapReduce工程包实际路径对如下命令略作修改即可：
1 ./bin/hadoop fs -put ../workspace/Hadoop_t1/input/ input01
5. 在工程包中新建一个WordCount类并将上面的源代码拷贝进去。
6. 调整项目运行参数：右键项目 -> “Run As" -> ”Run Configurations"
需要添加的就是"Program arguments"下的那些代码。它们其实是作为命令行参数传递进程序的，第一段是输入文件路径；第二段是输出文件路径。
路径的格式为 "[主机IP地址:hdfs端口] + [输入/输出目录在hdfs中的路径]"。
可以输入以下命令查看输入目录路径：
1 ./bin/hadoop fs -ls
7. 点击"Run"运行程序。
8. 执行以下命令查看结果：
1 ./bin/hadoop fs -cat output01/*
这些主机和Hdfs的文件传递，显示也可以使用Eclipse，更方便容易。在此就不提了。
小结
1. 多多熟练Hadoop平台下MapReduce项目基本创建流程。
2. WordCount是一个很经典的Hadoop示例，它虽然简单，但具有很大的代表性。
3. 从某个程度上来说也反映了其设计的初衷，对日志文件的分析。