hadoop学习笔记之二：MapReduce基本编程

原文地址：http://qa.taobao.com/?p=10523

 

 

引言
在本系列的上篇文章中介绍了Hadoop的基本概念和架构，本文将通过一个实例演示MapReduce基本编程。在继续进行前希望能重温下前面的内容，至少理解这张图是怎么回事。

实践

创建maven工程并加入hadoop依赖

我们选用maven来管理工程，用自己喜爱的m2eclipse插件在eclipse里创建或在命令行里创建一个工程。在pom.xml里加入hadoop依赖。

 

 

<dependency>
 <groupId>org.apache.hadoop</groupId>
 <artifactId>hadoop-core</artifactId>
 <version>0.20.2</version>
</dependency>

<repositories>
 <repository>
  <id>cloudera</id>
  <url>https://repository.cloudera.com/content/groups/public</url>
 </repository>
</repositories>

 

 

 

运行mvn eclipse:eclipse命令后，将工程导入eclipse，可以看到以下相关的依赖。

Ok，现在开始我们第一个MapReduce程序，用这个程序实现字数统计功能。

概述

一个简单的MapReduce程序需要三样东西
1.实现Mapper，处理输入的对，输出中间结果
2.实现Reduce，对中间结果进行运算，输出最终结果
3.在main方法里定义运行作业，定义一个job，在这里控制job如何运行等。

编写Map类

public  class WordCountMapper
       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接口是一个泛型，有4个形式的参数类型，分别指定map函数的输入键，输入值，输出键，输出值。就上面的示例来说，输入键没有用到（实际代表行在文本中格的位置，没有这方面的需要，所以忽略），输入值是一样文本，输出键为单词，输出值为整数代表单词出现的次数。需要注意的是Hadoop规定了自己的一套可用于网络序列优化的基本类型，而不是使用内置的java类型，这些都在org.apache.hadoop.io包中定义，上面使用的Text类型相当于java的String类型，IntWritable类型相当于java的Integer类型。除此之外，看不到任何分布式编程的细节，一切都是那么的简单。

编写Reduce类

 

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

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

 

 

同样，Reducer接口的四个形式参数类型指定了reduce函数的输入和输出类型。在上面的例子中，输入键是单词，输入值是单词出现的次数，将单词出现的次数进行叠加，输出单词和单词总数。

定义job

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  ");
           System.exit(2);
         }
         /**创建一个job，起个名字以便跟踪查看任务执行情况**/
         Job job = new Job(conf, "word count");

         /**当在hadoop集群上运行作业时，需要把代码打包成一个jar文件（hadoop会在集群分发这个文件），通过job的setJarByClass设置一个类，hadoop根据这个类找到所在的jar文件**/
        job.setJarByClass(WordCount.class);

        /**设置要使用的map、combiner、reduce类型**/
        job.setMapperClass(WordCountMapper.class);
        job.setCombinerClass(WordCountReducer.class);
        job.setReducerClass(WordCountReducer.class);

       /**设置map和reduce函数的输入类型，这里没有代码是因为我们使用默认的TextInputFormat，针对文本文件，按行将文本文件切割成 InputSplits, 并用 LineRecordReader 将 InputSplit 解析成 <key,value&gt: 对，key 是行在文件中的位置，value 是文件中的一行**/

        /**设置map和reduce函数的输出键和输出值类型**/
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);

        /**设置输入和输出路径**/
        FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
        FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));

       /**提交作业并等待它完成**/
        System.exit(job.waitForCompletion(true) ? 0 : 1);
      }
}

 基本上完成一个MapReduce程序就这么简单，复杂的在于job的配置有着复杂的属性参数，如文件分割策略、排序策略、map输出内存缓冲区的大小、工作线程数量等，深入理解掌握这些参数才能使自己的MapReduce程序在集群环境中运行的最优。

小结

本文通过一个实例说明了MapReduce的基本编程模型，希望通过此能加深对MapReduce的理解，在后面的文章中将介绍如何测试MapReduce及如何把作业运行起来。