10G文件字符统计，Hadoop分布式处理思想和实战！

前言

我想，作为开发人员，即便你不是大数据开发工程师，也应该听说过Hadoop。而且我认为，不论你是从事哪个开发岗位，都应该对它有所了解，因为Hadoop的思想已经渗透在众多技术中。

如果你之前对Hadoop还不太熟悉，希望通过本文对Hadoop的介绍、基本原理以及简单的实践案例让你了解它，并且在你之后的工作中有所帮助。

Hadoop ：我可以处理海量数据

什么是 Hadoop？怎么处理大数据？在这里给没有概念的小伙伴介绍一下。

如上图，Hadoop 其实就是一个用 Java 编写的项目，包含了 HDFS、MapReduce 以及 Yarn 这几个核心组件。本文重点介绍 HDFS 和 MapReduce，Yarn 作为资源调度组件，本文就不重点说明了。

说起 HDFS 和 MapReduce，还要从Google的几篇论文开始聊起，《花了1个月学大数据，我想说...》中有详细说明，这里长话短说。

HDFS ：存储归我

HDFS 全称为分布式文件系统 (Hadoop Distributed File System)，在大数据领域中用来存储海量的数据。

没错，只要是涉及到分布式，任何一个大问题都能分成多个小问题一一解决，即分而治之。

HDFS 的分而治之就是将一个体量巨大的文件切分成多个文件（数据块）分布在不同服务器上存储。这样即便是TB到PB级别的大文件，也不会对存储空间以及IO性能有太大影响。下面是 HDFS 的架构。

简单来说，一个大文件分布在不同节点一定需要统一管理，这里的节点在 HDFS 中就是 DataNode ，而统一管理的就是 NameNode。为了不偏离文章主题，这里不对此深入说明。

MapReduce ：计算归我

在 MapReduce 没有出现之前，计算都是单机。如果是对大量数据进行计算，那对内存和CPU都需要特别高的要求。在2000年代主流内存容量最多为几十兆到几百兆，显然在单机处理不了大量数据的计算。

那 MapReduce 是怎么处理的？

既然大文件可以基于 HDFS 分布在不同节点，那计算程序也分布到这些节点计算，最后把结果汇总不就好了？

MapReduce 的核心理念就是这样的："相比移动数据，移动计算更为经济高效。"，这也影响了后续众多的技术。

MapReduce 的计算流程大概如下图，有分布式系统开发经验的小伙伴应该不难理解。

对 Hadoop 有了基本概念后，下面用一个非常典型的面试题进行实操，看看如何基于Hadoop处理"统计10G大小的文件中字符出现的次数"。

Hadoop 环境搭建

Hadoop本身就是一个Java项目，所以，对于Javaer来说搭建起来也比较容易。下面是搭建步骤：

前往Hadoop官方下载二进制包并在本地解压。

配置环境变量，其实就是指向到Hadoop的几个目录，大概是这样：

shell 复制代码

export JAVA_HOME=/xxx
export HADOOP_HOME=/xxx
export HADOOP_HOME=/xxx
export PATH=$PATH:$JAVA_HOME/bin:$JAVA_HOME/lib/tools.jar:$JAVA_HOME/lib/dt.jar:$HADOOP_HOME/bin:$HADOOP_HOME/sbin
export HADOOP_MAPRED_HOME=$HADOOP_HOME
export HADOOP_COMMON_HOME=$HADOOP_HOME
export HADOOP_HDFS_HOME=$HADOOP_HOME
export YARN_HOME=$HADOOP_HOME

Hadoop是通过SSH进行节点间的通信和管理，所以各节点需要开启远程登录。以Mac系统为例，需要在下图中开启远程登录并且开启免密码登录。

免密码登录需要执行以下命令创建秘钥，并放在ssh授权目录。
shell 复制代码
```
	ssh-keygen -t rsa -P '' -f ~/.ssh/id_rsa
	cat ~/.ssh/id_rsa.pub >> ~/.ssh/authorized_keys
```

配置 Hadoop 包下 ./etc/hadoop 的几个文件

hadoop-env.sh 配置 JDK 环境

xml 复制代码

export JAVA_HOME=/xxx

core-site.xml 配置 HDFS 服务发布地址和临时文件目录

xml 复制代码

<configuration>
  <property>
    <name>fs.defaultFS</name>
    <value>hdfs://localhost:9000</value>
  </property>
  <property>
    <name>hadoop.tmp.dir</name>
    <value>file:/xxx/tmp</value>
  </property>
</configuration>

hdfs-site.xml 配置数据存储相关内容

xml 复制代码

<configuration>
  <property>
    <name>dfs.replication</name>
    <value>1</value>
  </property>
  <property>
    <name>dfs.permissions</name>
    <value>false</value>   
  </property>
  <property>
    <name>dfs.namenode.name.dir</name>
    <value>file:/xxx/namenode</value>
  </property>
  <property>
    <name>dfs.datanode.data.dir</name>
    <value>file:/xxx/datanode</value>
  </property>
</configuration>

mapred-site.xml 配置MapReduce任务调度平台

xml 复制代码

	<configuration>
    <property>
         <name>mapreduce.framework.name</name>
         <value>yarn</value>
    </property>
    <property>
         <name>mapreduce.application.classpath</name>
         <value>/xxx</value>
    </property>
    <property>
      <name>mapreduce.shuffle.enable.ssl</name>
      <value>false</value>
    </property>
</configuration>

yarn-site.xml 配置

xml 复制代码

<configuration>
    <property> 
    	<name>yarn.nodemanager.aux-services</name> 
    	<value>mapreduce_shuffle</value> 
	</property>
</configuration>

在 Hadoop 包下的./bin目录下执行下面的命令初始化 hdfs
shell 复制代码
```
./hdfs namenode -format
```
在 Hadoop 包下的./sbin目录下执行下面的命令启动hdfs和yarn。
shell 复制代码
```
./start-dfs.sh
./start-yarn.sh
```

启动成功后分别通过127.0.0.1:9870 、127.0.0.1:8088 访问，Hadoop就算搭建完成了。

统计10G大小的文件中字符出现的次数

准备10G的文件

我这里使用python脚本生成了以空格分割单词的文件，内容大概如下：

然后多次执行命令 cat random_words_in_chunks.txt >> 10G_words.txt 快速将文件扩大至10G。

上传至HDFS

通过执行下面的命令将这10G的文件上传到 HDFS 的test目录。

shell 复制代码

#创建文件目录
hadoop fs -mkdir -p hdfs://127.0.0.1:9000/test
#上传文件
hadoop fs -put 10G_words.txt /test

执行成功后就可以通过 Web UI界面看到数据。

编写 MapReduce 程序

之所以称之为 MapReduce，是因为 MapReduce 将计算分为两个阶段，一个Map阶段，一个Reduce阶段。

我们要统计字符出现的次数，只需要关注Map和Reduce分别做什么操作。

通过Map阶段可以将字符转换成我们熟悉的键值对，key为字符，value为数字，例如("字符1",1)。
通过Reduce阶段可以将同样key的value进行叠加，从而达到目的。

接下来看代码的具体编写。

创建一个Maven项目，引入相关依赖。

xml 复制代码

<dependencies>
    <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-mapreduce-client-jobclient</artifactId>
        <version>3.3.6</version>
    </dependency>

    <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-common</artifactId>
        <version>3.3.6</version>
    </dependency>

    <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-hdfs-client</artifactId>
        <version>3.3.6</version>
    </dependency>
</dependencies>

MapReduce为我们提供了Mapper类来完成Map阶段的计算任务，所以，我们只需要继承Mapper类编写逻辑即可。代码如下

java 复制代码

public class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable> {

    private final static IntWritable one = new IntWritable(1);
    private Text word = new Text();

    public void map(Object key, Text value, Context context
    ) throws IOException, InterruptedException {
        StringTokenizer itr = new StringTokenizer(value.toString());
        while (itr.hasMoreTokens()) {
            word.set(itr.nextToken());
            context.write(word, one);
        }
    }
}

Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT> 的泛型分别是计算任务的输入的键值对类型以及输出的键值对类型。

Map阶段的输入还只是读取的一行字符，所以需要通过StringTokenizer将这些字符以空格进行分割得到每个字符，然后遍历转化为("字符",1)的键值对作为输出。

本次上传到 HDFS 的10G文件被分割为77个数据块，那么最终会有77个Map计算任务以及结果输出。

同样，MapReduce为我们提供了Reducer类来完成Reduce阶段的计算任务，所以，我们只需要继承Reducer类编写逻辑即可。代码如下

java 复制代码

public class IntSumReducer extends Reducer<Text, IntWritable,Text,IntWritable> {
    private IntWritable result = new IntWritable();

    public void reduce(Text key, Iterable<IntWritable> values,
                       Context context
    ) throws IOException, InterruptedException {
        int sum = 0;
        for (IntWritable val : values) {
            sum += val.get();
        }
        result.set(sum);
        context.write(key, result);
    }
}

Reducer<KEYIN, VALUEIN, KEYOUT, VALUEOUT> 的泛型同Mapper。

不同Map阶段输出的相同key最终会被同一个Reduce任务作为输入，在编码时需要将相同输出的值进行叠加，最终完成每个字符出现的次数。

除了要编写Mapper和Reducer类，还需要写一个程序入口，即main方法。代码最终会编译为jar包交给yarn，最终会有多少任务，资源的申请以及任务的分发都在这个类完成。代码如下：

java 复制代码

public class WordCount {

  public static void main(String[] args) throws Exception {
    Configuration conf = new Configuration();
    String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
    if (otherArgs.length < 2) {
      System.err.println("Usage: wordcount <in> [<in>...] <out>");
      System.exit(2);
    }
    Job job = Job.getInstance(conf, "word count");
    job.setJarByClass(WordCount.class);
    job.setMapperClass(TokenizerMapper.class);
    job.setCombinerClass(IntSumReducer.class);
    job.setReducerClass(IntSumReducer.class);
    job.setOutputKeyClass(Text.class);
    job.setOutputValueClass(IntWritable.class);
    for (int i = 0; i < otherArgs.length - 1; ++i) {
      FileInputFormat.addInputPath(job, new Path(otherArgs[i]));
    }
    FileOutputFormat.setOutputPath(job,
      new Path(otherArgs[otherArgs.length - 1]));
    System.exit(job.waitForCompletion(true) ? 0 : 1);
  }
}

启动分布式计算

以上的代码编写完后，将程序打成jar包，然后执行下面的命令就可以启动分布式计算。

shell 复制代码

hadoop jar mr-wordcount-1.0-SNAPSHOT.jar WordCount  /test /testresult

命令中的 WordCount 是 main 方法类。后面的两个路径是HDFS的目录，一个代表要计算的数据在哪里，一个代码计算后的结果存在哪里。

命令执行后，可以通过yarn的 web ui 或者控制台看到任务分发和执行。

计算过程就如下图一样，程序被分发到数据所在的节点，然后计算结果最后进行汇总。

MapReduce 任务执行完成后，在 hdfs 的 web ui 界面就可以看到计算结果。

至此，10G文件字符统计就通过Hadoop的分而治之快速完成。而作为开发人员来讲，只需要编写两段极简单的代码，不要考虑资源如何分配、程序如何移动、计算结果如何聚合就完成了一个分布式系统。

总结

Hadoop是基于Java开发的项目，所以对于Javaer来说容易上手。
Hadoop 的出现大大降低了分布式编程的难度，它不单单是一个项目，更重要的是它的思想和理念："分而治之"和"移动计算"。
Hadoop 的影响不仅仅是大数据领域，在它之后的分布式数据库、微服务等等都受其影响。

10G文件字符统计，Hadoop分布式处理思想和实战！

前言

Hadoop ：我可以处理海量数据

HDFS ： 存储归我

MapReduce ：计算归我

Hadoop 环境搭建

统计10G大小的文件中字符出现的次数

准备10G的文件

上传至HDFS

编写 MapReduce 程序

启动分布式计算

总结

HDFS ：存储归我