一、代码编写
1.1 单词统计
回顾我们以前单词统计的例子，如代码1.1所示。
1 package counter;
2
3 import java.net.URI;
4
5 import org.apache.hadoop.conf.Configuration;
6 import org.apache.hadoop.fs.FileSystem;
7 import org.apache.hadoop.fs.Path;
8 import org.apache.hadoop.io.LongWritable;
9 import org.apache.hadoop.io.Text;
10 import org.apache.hadoop.mapreduce.Counter;
11 import org.apache.hadoop.mapreduce.Job;
12 import org.apache.hadoop.mapreduce.Mapper;
13 import org.apache.hadoop.mapreduce.Reducer;
14 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
15 import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
16 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
17 import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
18 import org.apache.hadoop.mapreduce.lib.partition.HashPartitioner;
19
20 public class WordCountApp {
21 static final String INPUT_PATH = "hdfs://hadoop:9000/hello";
22 static final String OUT_PATH = "hdfs://hadoop:9000/out";
23
24 public static void main(String[] args) throws Exception {
25
26 Configuration conf = new Configuration();
27
28 final FileSystem fileSystem = FileSystem.get(new URI(INPUT_PATH), conf);
29 final Path outPath = new Path(OUT_PATH);
30
31 if(fileSystem.exists(outPath)){
32 fileSystem.delete(outPath, true);
33 }
34
35 final Job job = new Job(conf , WordCountApp.class.getSimpleName());
36
37 FileInputFormat.setInputPaths(job, INPUT_PATH);//1.1指定读取的文件位于哪里
38
39 job.setInputFormatClass(TextInputFormat.class);//指定如何对输入文件进行格式化，把输入文件每一行解析成键值对
40
41 job.setMapperClass(MyMapper.class);//1.2 指定自定义的map类
42 job.setMapOutputKeyClass(Text.class);//map输出的<k,v>类型。如果<k3,v3>的类型与<k2,v2>类型一致，则可以省略
43 job.setMapOutputValueClass(LongWritable.class);
44
45 job.setPartitionerClass(HashPartitioner.class);//1.3 分区
46 job.setNumReduceTasks(1);//有一个reduce任务运行
47
48 job.setReducerClass(MyReducer.class);//2.2 指定自定义reduce类
49 job.setOutputKeyClass(Text.class);//指定reduce的输出类型
50 job.setOutputValueClass(LongWritable.class);
51
52 FileOutputFormat.setOutputPath(job, outPath);//2.3 指定写出到哪里
53
54 job.setOutputFormatClass(TextOutputFormat.class);//指定输出文件的格式化类
55
56 job.waitForCompletion(true);//把job提交给JobTracker运行
57 }
58
59 /**
60 * KEYIN 即k1 表示行的偏移量
61 * VALUEIN 即v1 表示行文本内容
62 * KEYOUT 即k2 表示行中出现的单词
63 * VALUEOUT 即v2 表示行中出现的单词的次数，固定值1
64 */
65 static class MyMapper extends Mapper<LongWritable, Text, Text, LongWritable>{
66 protected void map(LongWritable k1, Text v1, Context context) throws java.io.IOException ,InterruptedException {
67 // final Counter helloCounter = context.getCounter("Sensitive Words", "hello");
68
69 final String line = v1.toString();
70 /* if(line.contains("hello")){
71 //记录敏感词出现在一行中
72 helloCounter.increment(1L);
73 }*/
74 final String[] splited = line.split(" ");
75 for (String word : splited) {
76 context.write(new Text(word), new LongWritable(1));
77 }
78 };
79 }
80
81 /**
82 * KEYIN 即k2 表示行中出现的单词
83 * VALUEIN 即v2 表示行中出现的单词的次数
84 * KEYOUT 即k3 表示文本中出现的不同单词
85 * VALUEOUT 即v3 表示文本中出现的不同单词的总次数
86 *
87 */
88 static class MyReducer extends Reducer<Text, LongWritable, Text, LongWritable>{
89 protected void reduce(Text k2, java.lang.Iterable<LongWritable> v2s, Context ctx) throws java.io.IOException ,InterruptedException {
90 long times = 0L;
91 for (LongWritable count : v2s) {
92 times += count.get();
93 }
94 ctx.write(k2, new LongWritable(times));
95 };
96 }
97
98 }
代码 1.1
分析上面代码,我们会发现该单词统计方法的输入输出路径都已经写死了,比如输入路径：INPUT_PATH = "hdfs://hadoop:9000/hello"输出路径：OUT_PATH = "hdfs://hadoop:9000/out"。这样一来，这个算法的输入出路径也就固定死了，想要使用这个算法，相应的数据就必须满足这个固定的路径要求，从而算法的灵活性和可操作性也就大大降低了，也就是说我们的算法，目前还不算是一个通用的算法。所以为了提高算法灵活性和可操作性，应该通过指令运行时参数来指定输入输出路径。
1.2 在命令行运行的单词统计
在命令行运行的单词统计程序，如代码1.2所示。
1 package cmd;
2
3 import java.net.URI;
4
5 import org.apache.hadoop.conf.Configuration;
6 import org.apache.hadoop.conf.Configured;
7 import org.apache.hadoop.fs.FileSystem;
8 import org.apache.hadoop.fs.Path;
9 import org.apache.hadoop.io.LongWritable;
10 import org.apache.hadoop.io.Text;
11 import org.apache.hadoop.mapreduce.Job;
12 import org.apache.hadoop.mapreduce.Mapper;
13 import org.apache.hadoop.mapreduce.Reducer;
14 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
15 import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
16 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
17 import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
18 import org.apache.hadoop.mapreduce.lib.partition.HashPartitioner;
19 import org.apache.hadoop.util.Tool;
20 import org.apache.hadoop.util.ToolRunner;
21
22 public class WordCountApp extends Configured implements Tool{
23 static String INPUT_PATH = "";
24 static String OUT_PATH = "";
25
26 @Override
27 public int run(String[] arg0) throws Exception {
28 INPUT_PATH = arg0[0];
29 OUT_PATH = arg0[1];
30
31 Configuration conf = new Configuration();
32 final FileSystem fileSystem = FileSystem.get(new URI(INPUT_PATH), conf);
33 final Path outPath = new Path(OUT_PATH);
34 if(fileSystem.exists(outPath)){
35 fileSystem.delete(outPath, true);
36 }
37
38 final Job job = new Job(conf , WordCountApp.class.getSimpleName());
39
40 job.setJarByClass(WordCountApp.class);//打包运行必须执行的秘密方法
41 FileInputFormat.setInputPaths(job, INPUT_PATH);//1.1指定读取的文件位于哪里
42 job.setInputFormatClass(TextInputFormat.class);//指定如何对输入文件进行格式化，把输入文件每一行解析成键值对
43
44 job.setMapperClass(MyMapper.class);//1.2 指定自定义的map类
45 job.setMapOutputKeyClass(Text.class);//map输出的<k,v>类型。如果<k3,v3>的类型与<k2,v2>类型一致，则可以省略
46 job.setMapOutputValueClass(LongWritable.class);
47
48
49 job.setPartitionerClass(HashPartitioner.class);//1.3 分区
50 job.setNumReduceTasks(1);//有一个reduce任务运行
51
52
53 job.setReducerClass(MyReducer.class);//2.2 指定自定义reduce类
54 job.setOutputKeyClass(Text.class);//指定reduce的输出类型
55 job.setOutputValueClass(LongWritable.class);
56
57 FileOutputFormat.setOutputPath(job, outPath);//2.3 指定写出到哪里
58 job.setOutputFormatClass(TextOutputFormat.class);//指定输出文件的格式化类
59
60 job.waitForCompletion(true);//把job提交给JobTracker运行
61 return 0;
62 }
63
64 public static void main(String[] args) throws Exception {
65 ToolRunner.run(new WordCountApp(), args);
66 }
67
68 /**
69 * KEYIN 即k1 表示行的偏移量
70 * VALUEIN 即v1 表示行文本内容
71 * KEYOUT 即k2 表示行中出现的单词
72 * VALUEOUT 即v2 表示行中出现的单词的次数，固定值1
73 */
74 static class MyMapper extends Mapper<LongWritable, Text, Text, LongWritable>{
75 protected void map(LongWritable k1, Text v1, Context context) throws java.io.IOException ,InterruptedException {
76 final String[] splited = v1.toString().split("\t");
77 for (String word : splited) {
78 context.write(new Text(word), new LongWritable(1));
79 }
80 };
81 }
82
83 /**
84 * KEYIN 即k2 表示行中出现的单词
85 * VALUEIN 即v2 表示行中出现的单词的次数
86 * KEYOUT 即k3 表示文本中出现的不同单词
87 * VALUEOUT 即v3 表示文本中出现的不同单词的总次数
88 *
89 */
90 static class MyReducer extends Reducer<Text, LongWritable, Text, LongWritable>{
91 protected void reduce(Text k2, java.lang.Iterable<LongWritable> v2s, Context ctx) throws java.io.IOException ,InterruptedException {
92 long times = 0L;
93 for (LongWritable count : v2s) {
94 times += count.get();
95 }
96 ctx.write(k2, new LongWritable(times));
97 };
98 }
99
100
101 }
代码 1.2
在编写能够在命令行运行的单词统计程序时，我们的类要继承Configured类实现Tool接口，实现Tool接口就要添加一个run()方法。在run()方法中执行我们原来在Main()方法中运行的配置代码。然而run方法如何运行呢？那就要在Main方法中调用run方法，调用方式如代码1.3所示。
1 public static void main(String[] args) throws Exception {
2 ToolRunner.run(new WordCountApp(), args);
3 }
代码 1.3
我们看一下run方法的参数，ToolRunner.run(Tool tool, String[] args)，第一参数为Tool接口，我们知道该程序的类就是Tool的实现类所以我们可以，用该程序类的对象来作为参数。他的第二个参数，是一个字符数组args。在这里我们先讲一下，main函数的args参数。这个参数是运行程序前给它的参数。如果你在你程序要用这个参数的话，就需要在运行前指定。比如一个打印helloworld的程序如下：
public class HelloWorld{
public static void main(String[] args) {
System.out.println(args[0]);
}
}
执行命令java HelloWorld ceshi ceshi1 ceshi2，那么在HelloWorld的main方法里面 args就是{"ceshi", "ceshi1", "ceshi2"}，打印的结果就是creshi。
经过对main方法的分析，我应该就知道了，run方法的第二个参数就应该是main函数的参数，这样就能够接受命令行所指定的参数了。那么既然输入输出路径由运行时的命令行的参数指定，那么就不需要在代码中指定路径了，所以将INPUT_PATH和OUT_PATH初始化为空。然后在run方法中通过由命令行传过来的参数来进行赋值，如下所示。
INPUT_PATH = arg0[0];//表示输入路径 OUT_PATH = arg0[1];//表示输出路径
而为了我们的程序能够在命令行运行，必须添加“job.setJarByClass(WordCountApp.class);”代码，表示我们的程序以打包的方式运行。
二、运行方式
2.1 将程序以.jar类型导出到桌面
<1> 选择WordCountApp右击选择Export，如图2.1所示。
图 2.1
<2> 选择JAR file，选择Next，如图2.2所示。
图 2.2
<3> 选择Next后，弹出如下界面，如图2.3，再次选择Next。
图 2.3
<4> 选择Next之后，弹出如图2.4的界面，选择Browse。
图 2.4
<5> 选择Browse后，在弹出的界面选择ok，如图2.5所示。
图 2.5
<6> 选择Ok后，直接选择finish即可，如图2.6所示。
图 2.6
2.2 将jar包传到Linux
使用WinScp将程序的jar包传到Linux，如图2.7所示。
图 2.7
2.3 在Linux命令行执行jar包
2.3.1 创建输入输出路径
执行命令：
hadoop fs -mkdir /input hadoop fs -mkdir /output
2.3.2 编写、上传file文件
执行命令：vi file1
输入内容：
hello word
hello me
执行命令：hadoop fs -put file1 /
2.3.3 执行程序
执行命令：hadoop jar jar.jar hdfs://hadoop:9000/input hdfs: //hadoop:9000/output
运行过程：
14/09/28 20:08:08 WARN mapred.JobClient: Use GenericOptionsParser for parsi ng the arguments. Applications should implement Tool for the same. 14/09/28 20:08:09 INFO input.FileInputFormat: Total input paths to process : 1 14/09/28 20:08:09 INFO util.NativeCodeLoader: Loaded the native-hadoop libr ary 14/09/28 20:08:09 WARN snappy.LoadSnappy: Snappy native library not loaded 14/09/28 20:08:11 INFO mapred.JobClient: Running job: job_201409281916_0001 14/09/28 20:08:12 INFO mapred.JobClient: map 0% reduce 0% 14/09/28 20:09:03 INFO mapred.JobClient: map 100% reduce 0% 14/09/28 20:09:14 INFO mapred.JobClient: map 100% reduce 100% 14/09/28 20:09:14 INFO mapred.JobClient: Job complete: job_201409281916_0001 14/09/28 20:09:14 INFO mapred.JobClient: Counters: 29 14/09/28 20:09:14 INFO mapred.JobClient: Job Counters 14/09/28 20:09:14 INFO mapred.JobClient: Launched reduce tasks=1 14/09/28 20:09:14 INFO mapred.JobClient: SLOTS_MILLIS_MAPS=47675 14/09/28 20:09:14 INFO mapred.JobClient: Total time spent by all reduces waiting after rese rving slots (ms)=0 14/09/28 20:09:14 INFO mapred.JobClient: Total time spent by all maps waiting after reservi ng slots (ms)=0 14/09/28 20:09:14 INFO mapred.JobClient: Launched map tasks=1 14/09/28 20:09:14 INFO mapred.JobClient: Data-local map tasks=1 14/09/28 20:09:14 INFO mapred.JobClient: SLOTS_MILLIS_REDUCES=10902 14/09/28 20:09:14 INFO mapred.JobClient: File Output Format Counters 14/09/28 20:09:14 INFO mapred.JobClient: Bytes Written=21 14/09/28 20:09:14 INFO mapred.JobClient: FileSystemCounters 14/09/28 20:09:14 INFO mapred.JobClient: FILE_BYTES_READ=67 14/09/28 20:09:14 INFO mapred.JobClient: HDFS_BYTES_READ=116 14/09/28 20:09:14 INFO mapred.JobClient: FILE_BYTES_WRITTEN=105834 14/09/28 20:09:14 INFO mapred.JobClient: HDFS_BYTES_WRITTEN=21 14/09/28 20:09:14 INFO mapred.JobClient: File Input Format Counters 14/09/28 20:09:14 INFO mapred.JobClient: Bytes Read=21 14/09/28 20:09:14 INFO mapred.JobClient: Map-Reduce Framework 14/09/28 20:09:14 INFO mapred.JobClient: Map output materialized bytes=67 14/09/28 20:09:14 INFO mapred.JobClient: Map input records=2 14/09/28 20:09:14 INFO mapred.JobClient: Reduce shuffle bytes=67 14/09/28 20:09:14 INFO mapred.JobClient: Spilled Records=8 14/09/28 20:09:14 INFO mapred.JobClient: Map output bytes=53 14/09/28 20:09:14 INFO mapred.JobClient: CPU time spent (ms)=35140 14/09/28 20:09:14 INFO mapred.JobClient: Total committed heap usage (bytes)=131665920 14/09/28 20:09:14 INFO mapred.JobClient: Combine input records=0 14/09/28 20:09:14 INFO mapred.JobClient: SPLIT_RAW_BYTES=95 14/09/28 20:09:14 INFO mapred.JobClient: Reduce input records=4 14/09/28 20:09:14 INFO mapred.JobClient: Reduce input groups=3 14/09/28 20:09:14 INFO mapred.JobClient: Combine output records=0 14/09/28 20:09:14 INFO mapred.JobClient: Physical memory (bytes) snapshot=181952512 14/09/28 20:09:14 INFO mapred.JobClient: Reduce output records=3 14/09/28 20:09:14 INFO mapred.JobClient: Virtual memory (bytes) snapshot=752697344 14/09/28 20:09:14 INFO mapred.JobClient: Map output records=4
执行结果：
[root@hadoop Downloads]# hadoop fs -ls /output Found 3 items -rw-r--r-- 1 root supergroup 0 2014-09-28 20:09 /output/_SUCCESS drwxr-xr-x - root supergroup 0 2014-09-28 20:08 /output/_logs -rw-r--r-- 1 root supergroup 21 2014-09-28 20:09 /output/part-r-00000 [root@hadoop Downloads]# hadoop fs -cat /output/part-r-00000 hello 2 me 1 world 1 [root@hadoop Downloads]#
时间： 2024-09-29 04:21:33