【大数据】MapReduce开发小实战

前提:hadoop集群应部署完毕。

一、实战科目

做一个Map Reduce分布式开发，开发内容为统计文件中的单词出现次数。

二、战前准备

1、本人在本地创建了一个用于执行MR的的文件，文件中有209行，每行写了“这是一个测试文件”的句子。

2、将该文件上传至HDFS中。你可以使用idea中的插件上传、也可以使用HDFS的可视化页面上传、也可以使用HDFS的命令上传，都可以。目的达到就行。

3、准备好开发环境，准备开发。

三、开战！

1、打开idea，创建com.test.hadoop.mr的包

2、在该包下创建MyWordCount的Java类，并进行如下编程

package com.test.hadoop.mr;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;


public class MyWordCount {


    public static void main(String[] args) throws Exception {
        Configuration conf = new Configuration(true);
        Job job = Job.getInstance(conf);
        job.setJarByClass(MyWordCount.class);

        // Specify various job-specific parameters
        job.setJobName("myJob");

        Path input = new Path("/testApi/testUploadFile.txt");
        FileInputFormat.addInputPath(job, input);//文件输入格式化；还有其他的数据源的输入格式化

        Path output = new Path("/testApi/mr_output.txt");
        if (output.getFileSystem(conf).exists(output)){
            output.getFileSystem(conf).delete(output,true);//一般不删除！
        }
        FileOutputFormat.setOutputPath(job, output);

        job.setMapperClass(MyMapper.class);
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);

        job.setReducerClass(MyReducer.class);

        // Submit the job, then poll for progress until the job is complete
        job.waitForCompletion(true);
    }
}

3、创建对应的MyMapper和MyReducer类

MyMapper

package com.test.hadoop.mr;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;
import java.util.StringTokenizer;

public class MyMapper 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 {
        //AAA BBB CCC
        StringTokenizer itr = new StringTokenizer(value.toString());
        while (itr.hasMoreTokens()) {
            word.set(itr.nextToken());
            context.write(word, one);//引用传参，减少创建对象的次数。
        }
    }
}

MyReducer

package com.test.hadoop.mr;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;

public class MyReducer extends Reducer<Text, IntWritable, Text, IntWritable> {

    //相同的key为一组，调用方法，然后在方法内迭代一组数据进行计算(sum/max/min/count/...)。

    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);
    }
}

4、打jar包

右键项目根目录，点击Open Module Settings;然后选择Artifacts，然后右边栏选择要打包的主类以及是否添加lib（lib可能会很大，建议不要在jar中添加lib）。

 然后，在build中选择build Artifacts进行编译。

在你设置的目录下，发现输出的jar文件。

5、上传集群

将该文件上传集群某节点，这里选择节点1。

6、执行

定位到jar目录，输入命令，并执行

hadoop jar hadoop_hdfs_api.jar com.test.hadoop.mr.MyWordCount

 成功执行！

7、查看结果

在节点1的对应位置找到结果文件，cat查看内容

 成功统计，说明逻辑以及实战运行均无误！

四、实战总结

首先，要了解MapReduce的运行机制，在客户端的开发中，我们不仅要使用Java实现客户端的基础配置外，还要实现Map Task即对应的MyMapper类，还要实现Reduce Task即对应的MyReducer类。

其次，在进行运行时，可能会报编译版本过高的错误，即你的服务器版本使用java8，而idea本身使用更高版本的Java编译，就会导致此问题，博主就遇到了。因此，要不就是升级服务器Java版本，要么就要用低版本Java进行编译，生成jar。两种策略中，服务器能不动就不动，因为改动成本太大。所以使用idea低版本进行编译，具体如何设置请自行百度或Google。

最后，Java类的编写要参考源码中的例子，在知道了MR的逻辑运行之后，要懂得代码的实现，这条路还很漫长，要加油！