Hadoop基础学习（一）分析、编写并执行WordCount词频统计程序

版权声明：本文为博主原创文章，未经博主同意不得转载。

https://blog.csdn.net/jiq408694711/article/details/34181439

前面已经在我的Ubuntu单机上面搭建好了伪分布模式的HBase环境，当中包含了Hadoop的执行环境。

详见我的这篇博文：http://blog.csdn.net/jiyiqinlovexx/article/details/29208703

我的目的主要是学习HBase，下一步打算学习的是将HBase作为Hadoop作业的输入和输出。

可是好像曾经在南大上学时学习的Hadoop都忘记得几乎相同了，所以找到曾经上课做的几个实验：wordCount，PageRank以及InversedIndex。

发现曾经写的实验报告还是蛮具体的。非常easy看懂。恰好曾经做实验用的也是hadoop0.20的版本号，所以依照我曾经写的实验手冊直接操作，熟悉一下Hadoop了。

以下是我曾经写的WordCOunt的实验报告：

一、实验要求：

实验内容与要求
1. 在Eclipse环境下编写WordCount程序，统计全部除Stop-Word（如a, an, of, in, on, the, this, that,…)外全部出现次数k次以上的单词计数。最后的结果依照词频从高到低排序输出
2. 在集群上执行程序，对莎士比亚文集文档数据进行处理
3. 可自行建立一个Stop-Word列表文件。当中包含部分停词就可以，不须要列出全部停词；參数k作为输入參数动态指定（如k=10）
4. 实验结果提交：要求书写一个实验报告，当中包含：
实验设计说明。包含主要设计思路、算法设计、程序和各个类的设计说明
程序执行和实验结果说明和分析
性能、扩展性等方面存在的不足和可能的改进之处
源程序 。执行程序，停词列表文件
执行结果文件

二、实验报告：

Wordcount词频统计实验

2012年4月1日星期日

19:04

1设计思路

Map:

(1)停词存储

由于停词比較少。所以选择将他们全部存储到内存中，停词不能有反复，还须要高速訪问。所以选择hashset来存储

(2)map

对于map传进来的每一行文本。首先用正在表达式将英文标点符号全部题换成空格，然后在循环分析每个单词，假设这个单词不包含在停词集合中。则将其key设为单词本身，值设置为1。并发射出去。

Reduce:

在reduce中对每个key，将其全部value累加起来。

假设value不小于某个词频。则将其output出去。

 

2遇到的问题

(1)hadoop API问题

(2)在hadoop的map中读取hdfs文件内容

(3)怎样按词频从高究竟输出；

解决1：

參考非常多资料。找到正确使用的API，总之感觉hadoop不同版本号之间API非常混乱。

在API方面有两个点花费我非常多时间。一是map和reduce的初始化函数setup。二是向map和reduce传递參数直接通过configuration来进行，有点相似于JSP中的session。

解决2：

開始我在map之外定义一个全局变量，開始的时候将停词文件路径复制给这个全局变量。可是在map里面无法读取这个文件的内容。不知道怎么回事。

然后我们在网上查了一下，发现有一个分布式缓存文件的类DistributedCache。

主要先是获取停词文件的路径，将其增加到cache中去，DistributedCache.addCacheFile(newPath(args[++i]).toUri(), conf);

然后在map中用DistributedCache.getLocalCacheFiles(context.getConfiguration());读取该文件路径，这样就能够读取停词文件的内容了。

解决3：

词频要在reduce完毕之后才干计算出来。也就是说尽管map之后将键值对分发到reduce之前会依照键值进行一个sort的过程，可是我们也无法借助将key

value掉换的方法一次进行。

我们小组一起讨论，想到了在第一次mapreduce统计完词频之后再进行一次mapreduce来依照词频对全部键值对排序。统计结果(中间结果)存放到暂时文件夹中。

在第二次mapreduce的过程中：

(1)InverseMapper：

在网上查了一下，hadoop本身就有一个将键值对颠倒顺序的了一个mapper。名字叫做InverseMapper，在交换了键值之后。另一个问题。

(2)setSortComparatorClass：

hadoop中默认对IntWritable类型的key是以升序排列的，我们是要依照降序，所以重写sort过程中进行key值比較所參考的比較类。使用setSortComparatorClass方法设置比較类。

(3)setNumReduceTasks(1)：

至于reduce部分我们无须指定不论什么reduce。由于不须要做不论什么操作。仅仅须要指定将全部键值对发送到一个reduce就可以。

 

3执行过程

首先利用scp命令将停词文件以及wordcount的可执行jar传输到集群的mater01节点上面去。然后使用ssh命令登录到该节点：

 

然后在hdfs上面我们小组的文件夹下创建一个wordcount文件夹。以及子文件夹input。

然后使用hadoopfs -put命令将停词文件复制到该文件夹下：

然后以节点上本来就有的/data/shakespear文件夹以下的数据作为输入，将我们小组的/wordcount/output(不存在)作为输入。执行參数为-skip指定听此文件路径，-greater指定要统计的最低词频的单词。来执行wordcount：

在wordcount/output文件夹以下生成结果文件part-r-00000。打开之后发现结果和预期全然一致。词频从高到低，最低词频为10，而且在统计之前已经将标点符号去掉。

能够用hadoop fs -get /wordcount/output/part-r-00000 .命令下载到当前文件夹。

也能够打开浏览器：http://localhost:50070/dfshealth.jsp。选择Browse the filesystem来直接查看HDFS上面文件的内容。

在浏览器中打开：http://localhost:50030/jobtracker.jsp，查看工作执行状态以及结果：

 

4源程序，停词文件，可执行jar文件均參见本文件夹里。

=====================================================================================================

注意，我由于如今是在本机上面执行Hadoop作业，而不是像曾经那样在远端master机器上面跑。所以有些地方不一样。

比方利用scp将wordcount.jar传到master机器上，以及用ssh登陆这些都不须要。

可是停词文本集合还是要上传到HDFS。还有之前实验莎士比亚文集的数据是老师已经放在HDFS上了，所以不须要我们上传，这些要自己将莎士比亚文集的数据上传到HDFS。命令是：

hadoop fs -put /shakespeare /data/shakespare

三、源代码：

说实话。看着曾经的图片。发现跑起来蛮快的，可是如今单机真心慢。。

。

停词文本文件和莎士比亚文集数据有时间上传到百度云盘，这里先把代码贴出来供大家參考。

/**
 * WordCount
 * jiyq@seg.nju.edu.cn - 季义钦
 * 统计输入文件各个单词出现频率
 * 统计的时候对于“停词”(从文本文件读入)将不參与统计
 * 最后按统计的词频从高究竟输出
 * 
 *  特别主import某个类的时候。确定你是要用哪个包所属的该类
 *  
 * */
import java.io.BufferedReader;
import java.io.FileReader;
import java.io.IOException;
import java.util.*;

import org.apache.hadoop.filecache.DistributedCache;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.conf.*;
import org.apache.hadoop.io.*;
import org.apache.hadoop.mapreduce.*;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.SequenceFileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.map.InverseMapper;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.SequenceFileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
        
public class WordCount {
	
	
	/**
	 * Map: 将输入的文本数据转换为<word-1>的键值对
	 * */
	public static class WordCountMap extends Mapper<LongWritable, Text, Text, IntWritable> {
		
		String regex = "[.,"!--;:?'\]]"; //remove all punctuation
		Text word = new Text();
		final static IntWritable one = new IntWritable(1);
		HashSet<String> stopWordSet = new HashSet<String>();
		
		/**
		 * 将停词从文件读到hashSet中
		 * */
		private void parseStopWordFile(String path){
			try {
				String word = null;
				BufferedReader reader = new BufferedReader(new FileReader(path));
				while((word = reader.readLine()) != null){
					stopWordSet.add(word);
				}
			} catch (IOException e) {
				e.printStackTrace();
			}	
		}
		
		/**
		 * 完毕map初始化工作
		 * 主要是读取停词文件
		 * */
		public void setup(Context context) {			
			
			Path[] patternsFiles = new Path[0];
			try {
				patternsFiles = DistributedCache.getLocalCacheFiles(context.getConfiguration());
			} catch (IOException e) {
				e.printStackTrace();
			}			
			if(patternsFiles == null){
				System.out.println("have no stopfile
");
				return;
			}
			
			//read stop-words into HashSet
			for (Path patternsFile : patternsFiles) {
				parseStopWordFile(patternsFile.toString());
			}
		}  
		
		/**
		 *  map
		 * */
		public void map(LongWritable key, Text value, Context context) 
			throws IOException, InterruptedException {
			
			String s = null;
			String line = value.toString().toLowerCase();
			line = line.replaceAll(regex, " "); //remove all punctuation
			
			//split all words of line
			StringTokenizer tokenizer = new StringTokenizer(line);
			while (tokenizer.hasMoreTokens()) {
				s = tokenizer.nextToken();
				if(!stopWordSet.contains(s)){
					word.set(s);
					context.write(word, one);
				}				
			}
		}
	}
	
	/**
	 * Reduce: add all word-counts for a key
	 * */
	public static class WordCountReduce extends Reducer<Text, IntWritable, Text, IntWritable> {
		
		int min_num = 0;
		
		/**
		 * minimum showing words
		 * */
		public void setup(Context context) {
			min_num = Integer.parseInt(context.getConfiguration().get("min_num"));
			System.out.println(min_num);
		}
		
		/**
		 * reduce
		 * */
		public void reduce(Text key, Iterable<IntWritable> values, Context context)	
			throws IOException, InterruptedException {
			int sum = 0;
			for (IntWritable val : values) {
				sum += val.get();
			}
			if(sum < min_num) return;
			context.write(key, new IntWritable(sum));
		}
	}
	
	/**
	 * IntWritable comparator
	 * */
	private static class IntWritableDecreasingComparator extends IntWritable.Comparator {
        
	      public int compare(WritableComparable a, WritableComparable b) {
	    	  return -super.compare(a, b);
	      }
	      
	      public int compare(byte[] b1, int s1, int l1, byte[] b2, int s2, int l2) {
	          return -super.compare(b1, s1, l1, b2, s2, l2);
	      }
	}
	
	/**
	 * main: run two job
	 * */
	public static void main(String[] args){
		
		boolean exit = false;
		String skipfile = null; //stop-file path
		int min_num = 0;
		String tempDir = "wordcount-temp-" + Integer.toString(new Random().nextInt(Integer.MAX_VALUE));
		
		Configuration conf = new Configuration();
		
		//获取停词文件的路径。并放到DistributedCache中
	    for(int i=0;i<args.length;i++)
	    {
			if("-skip".equals(args[i]))
			{
				DistributedCache.addCacheFile(new Path(args[++i]).toUri(), conf);
				System.out.println(args[i]);
			}			
		}
	    
	    //获取要展示的最小词频
	    for(int i=0;i<args.length;i++)
	    {
			if("-greater".equals(args[i])){
				min_num = Integer.parseInt(args[++i]);
				System.out.println(args[i]);
			}			
		}
	    
		//将最小词频值放到Configuration中共享
		conf.set("min_num", String.valueOf(min_num));	//set global parameter
		
		try{
			/**
			 * run first-round to count
			 * */
			Job job = new Job(conf, "jiq-wordcountjob-1");
			job.setJarByClass(WordCount.class);
			
			//set format of input-output
			job.setInputFormatClass(TextInputFormat.class);
			job.setOutputFormatClass(SequenceFileOutputFormat.class);
			
			//set class of output's key-value of MAP
			job.setOutputKeyClass(Text.class);
		    job.setOutputValueClass(IntWritable.class);
		    
		    //set mapper and reducer
		    job.setMapperClass(WordCountMap.class);     
		    job.setReducerClass(WordCountReduce.class);
		    
		    //set path of input-output
		    FileInputFormat.addInputPath(job, new Path(args[0]));
		    FileOutputFormat.setOutputPath(job, new Path(tempDir));
		    
		    
		    
		    if(job.waitForCompletion(true)){		    
			    /**
			     * run two-round to sort
			     * */
			    //Configuration conf2 = new Configuration();
				Job job2 = new Job(conf, "jiq-wordcountjob-2");
				job2.setJarByClass(WordCount.class);
				
				//set format of input-output
				job2.setInputFormatClass(SequenceFileInputFormat.class);
				job2.setOutputFormatClass(TextOutputFormat.class);		
				
				//set class of output's key-value
				job2.setOutputKeyClass(IntWritable.class);
			    job2.setOutputValueClass(Text.class);
			    
			    //set mapper and reducer
			    //InverseMapper作用是实现map()之后的数据对的key和value交换
			    //将Reducer的个数限定为1, 终于输出的结果文件就是一个
				/**
				* 注意，这里将reduce的数目设置为1个。有非常大的文章。
				* 由于hadoop无法进行键的全局排序，仅仅能做一个reduce内部
				* 的本地排序。
 所以我们要想有一个依照键的全局的排序。
				* 最直接的方法就是设置reduce仅仅有一个。
				*/
			    job2.setMapperClass(InverseMapper.class);    
			    job2.setNumReduceTasks(1); //only one reducer
			    
			    //set path of input-output
			    FileInputFormat.addInputPath(job2, new Path(tempDir));
			    FileOutputFormat.setOutputPath(job2, new Path(args[1]));
			    
			    /**
			     * Hadoop 默认对 IntWritable 按升序排序，而我们须要的是按降序排列。
			     * 因此我们实现了一个 IntWritableDecreasingComparator 类,　
				 * 并指定使用这个自己定义的 Comparator 类对输出结果中的 key (词频)进行排序
			     * */
			    job2.setSortComparatorClass(IntWritableDecreasingComparator.class);
			    exit = job2.waitForCompletion(true);
		    }
		}catch(Exception e){
			e.printStackTrace();
		}finally{
		    
		    try {
		    	//delete tempt dir
				FileSystem.get(conf).deleteOnExit(new Path(tempDir));
				if(exit) System.exit(1);
				System.exit(0);
			} catch (IOException e) {
				e.printStackTrace();
			}
		}
	}
         
 }

若有什么疑问和不吝赐教。欢迎交流。联系邮箱： jiq408694711@163.com  季义钦

作为兴趣点，眼下本人正在研究HBase和Hadoop