Hadoop MapReduce 图文代码讲解

一、MapReduce原理

首先要了解一下MapReduce的几个过程，每个数据集中需要编写的逻辑会有所不同，但是大致是差不多的

1、MapReduce大致为这几个过程：

1、读取数据集并根据文件大小128MB拆分成多个map同时进行下面步骤

2、Map: 匹配和数据筛选： Map输入（MI）+ Map输出（MO）

3、Shuffle&Sort:洗牌排序阶段，Hadoop自带的方便后续合并

4、Reduce: 合并和数据处理： Reduce输入（RI）+ Reduce输出（RO）

在整个MapReduce过程中数据以键值对形式保存传输

MI阶段：会将数据集输入并且转成偏移量和行的关系
MO阶段：会将MI的键值对里有用的数据转成键值对关系，这里是需要写代码写逻辑
RI阶段：会将MO的数据合并
RO阶段：会将RI阶段数据进行逻辑算法处理，这里是需要写代码写逻辑

二、MapReduce单词计数例子

1、图文解析

a) 首先，在自己电脑D盘创一个文本文件WordCount.txt，内容为：

Hadoop,Hbase,Java,Linux,MySQL,Flume,Kafka,Sqoop
Hadoop,Hbase,Java,Linux
Linux,MySQL,Flume,Kafka,Sqoop
Java,Linux,MySQL,Flume
Hbase,Java,Linux,MySQL,Flume,Kafka,Sqoop
Hbase,Java,Linux,MySQL
Kafka,Sqoop

现在，要求实现计算不同的单词出现了几次

b) 实现过程

1、MI阶段：会将数据集输入并且转成偏移量和行的关系

2、MO阶段：会将MI的键值对里有用的数据转成键值对关系，这里是需要写代码写逻辑，在这里我们要实现单词计数，有用的东西就是单词本身以及个数,k1是没用的，所以在这个阶段需要把v1的字符串按照分隔符拆成数组，把单词通过数组循环取出来当作k2,并且把每一个单词赋值数量为1当作v2

3、Shuffle&Sort阶段：洗牌排序

4、RI阶段：会将MO的数据合并

5、RO阶段：会将RI阶段数据进行逻辑算法处理，这里是需要写代码写逻辑，此例子需要计数，所以把v3数据相加，k3直接转k4

2、代码解析

现在图文理解了来看看代码的过程

一共要写三坨代码，Map的，Reduce的以及Driver提交程序

在写代码之前要了解Hadoop代码中数据类型有变化,，String对应Text，其他类型全部加上后缀Writeable，例如java中如果是int类型，MapReduce中写代码对应就是IntWriteable，为啥不一样呢，因为hadoop分布式中数据会跨电脑传输处理，会涉及到互联网带宽之类的，普通java没发传，不安全，而hadoop类型传输时可以序列化反序列化（加密解密）

a、Map部分：

1）首先先了解下别人写的代码的规则使用方式：

Map代码中：

1、要继承Mapper

2、要重写map方法实现k2,v2的逻辑

Reduce代码中：

3、要继承Reducer

4、要重写reduce方法实现k4,v4的逻辑

2）可以开始写自己的代码啦：

1、创一个maven项目，把pom依赖弄好

    <dependency>
      <groupId>org.apache.hadoop</groupId>
      <artifactId>hadoop-client</artifactId>
      <version>3.3.0</version>
    </dependency>

2、新建一个类，我这取名WordCount

3、引入的依赖包内容为

import java.io.File;
import java.io.IOException;
import org.apache.commons.io.FileUtils;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;

4、Map部分，结合上面的图片解析模块和代码编写规则理解

//创建map类取名wordcountmapper并继承Mapper
    public static class wordcountmapper extends Mapper<LongWritable, Text, Text, IntWritable> {
        //重写map方法并写需要的业务逻辑
        protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
            //把v1行数据转成字符串提出来到line变量里
            String line = value.toString();
            //把line的字符串按照我们文件是逗号进行分割，然后存储到字符串数组strings里面
            String[] strings = line.split(",");
            //通过for循环把数组里面的单词一个一个循环拿出来放到str变量里
            for (String str : strings) {
                //循环时把str单词存为k2，并赋值1作为v2
                context.write(new Text(str), new IntWritable(1));
            }
        }

5、Reduce部分，结合上面的图片解析模块和代码编写规则理解

    //创建类取名wordcountreducer并继承Reducer
    public static class wordcountreducer extends Reducer<Text, IntWritable, Text, IntWritable> {
        //重写reduce方法并写需要的业务逻辑
        protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
            //设置一个变量用于计数，初始为0
            int sum=0;
            //将v3的数组的值进行循环相加
            for(IntWritable v:values){
                //最终得到计数的值
                sum=sum+v.get();
            }
            //将k3直接转成k4,将sum作为v4
            context.write(key,new IntWritable(sum));
        }
    }

6、主函数实现代码运行

public static void main(String[] args) throws Exception {
        Job job = Job.getInstance(); //Job类job对象实体化
        job.setMapperClass(wordcountmapper.class);//job对象的setMapperClass方法指定map是哪个类
        job.setMapOutputKeyClass(Text.class);//job对象的setMapOutputKeyClass方法指定k2类型
        job.setMapOutputValueClass(IntWritable.class);//job对象的setMapOutputValueClass方法指定v2类型

        job.setReducerClass(wordcountreducer.class);//job对象的setReducerClass方法指定reduce是哪个类
        job.setMapOutputKeyClass(Text.class);//job对象的setMapOutputKeyClass指定k4类型
        job.setMapOutputValueClass(IntWritable.class);//job对象的setMapOutputValueClass指定v4类型

        FileUtils.deleteDirectory(new File("d:\\mapreduce"));//若k4v4结果输出文件夹存在则删了再创建
        FileInputFormat.setInputPaths(job, new Path("d:\\WordCount.txt"));//数据集文件在哪个路径
        FileOutputFormat.setOutputPath(job, new Path("d:\\mapreduce\\"));//结果保存到哪个路径

        boolean completion = job.waitForCompletion(true);
        if (completion) {
            System.out.println("成功，请去指定文件夹查看结果文件");
        } else {
            System.out.println("失败");
        }
    }

附上整个完整代码：

import java.io.File;
import java.io.IOException;
import org.apache.commons.io.FileUtils;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;

public class WordCount {
    //创建类取名wordcountmapper并继承Mapper
    public static class wordcountmapper extends Mapper<LongWritable, Text, Text, IntWritable> {
        //重写map方法并写需要的业务逻辑
        protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
            //把v1行数据转成字符串提出来到line变量里
            String line = value.toString();
            //把line的字符串按照我们文件是逗号进行分割，然后存储到字符串数组strings里面
            String[] strings = line.split(",");
            //通过for循环把数组里面的单词一个一个循环拿出来放到str变量里
            for (String str : strings) {
                //循环时把str单词存为k2，并赋值1作为v2
                context.write(new Text(str), new IntWritable(1));
            }
        }
    }
    //创建类取名wordcountreducer并继承Reducer
    public static class wordcountreducer extends Reducer<Text, IntWritable, Text, IntWritable> {
        //重写reduce方法并写需要的业务逻辑
        protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
            //设置一个变量用于计数，初始为0
            int sum=0;
            //将v3的数组的值进行循环相加
            for(IntWritable v:values){
                //最终得到计数的值
                sum=sum+v.get();
            }
            //将k3直接转成k4,将sum作为v4
            context.write(key,new IntWritable(sum));
        }
    }

    public static void main(String[] args) throws Exception {
        Job job = Job.getInstance(); //Job类job对象实体化
        job.setMapperClass(wordcountmapper.class);//job对象的setMapperClass方法指定map是哪个类
        job.setMapOutputKeyClass(Text.class);//job对象的setMapOutputKeyClass方法指定k2类型
        job.setMapOutputValueClass(IntWritable.class);//job对象的setMapOutputValueClass方法指定v2类型

        job.setReducerClass(wordcountreducer.class);//job对象的setReducerClass方法指定reduce是哪个类
        job.setMapOutputKeyClass(Text.class);//job对象的setMapOutputKeyClass指定k4类型
        job.setMapOutputValueClass(IntWritable.class);//job对象的setMapOutputValueClass指定v4类型

        FileUtils.deleteDirectory(new File("d:\\mapreduce"));//若k4v4结果输出文件夹存在则删了再创建
        FileInputFormat.setInputPaths(job, new Path("d:\\WordCount.txt"));//数据集文件在哪个路径
        FileOutputFormat.setOutputPath(job, new Path("d:\\mapreduce\\"));//结果保存到哪个路径

        boolean completion = job.waitForCompletion(true);
        if (completion) {
            System.out.println("成功，请去指定文件夹查看结果文件");
        } else {
            System.out.println("失败");
        }
    }

}