MapReduce Java API实例-统计单词出现频率

不念不忘少年蓝@ 2022-09-03 02:29 177阅读 0赞

# 场景 #

Windows下使用Java API操作HDFS的常用方法：

[https://blog.csdn.net/BADAO\_LIUMANG\_QIZHI/article/details/119382108][https_blog.csdn.net_BADAO_LIUMANG_QIZHI_article_details_119382108]

在上面使用Java API操作HDFS已经配置开发环境的基础上。

使用Java API操作Mapreduce统计单次出现的次数。

这里Hadoop集群搭建的是Hadoop2.8.0，所以新建Maven项目并引入依赖

<dependency>
                <groupId>org.apache.hadoop</groupId>
                <artifactId>hadoop-client</artifactId>
                <version>2.8.0</version>
            </dependency>
            
            <dependency>
                <groupId>org.apache.hadoop</groupId>
                <artifactId>hadoop-common</artifactId>
                <version>2.8.0</version>
            </dependency>
            
            <dependency>
                <groupId>org.apache.hadoop</groupId>
                <artifactId>hadoop-hdfs</artifactId>
                <version>2.8.0</version>
            </dependency>
            
            <dependency>
                <groupId>org.apache.hadoop</groupId>
                <artifactId>hadoop-hdfs-client</artifactId>
                <version>2.8.0</version>
            </dependency>
            
            <dependency>
                <groupId>org.apache.hadoop</groupId>
                <artifactId>hadoop-mapreduce-client-core</artifactId>
                <version>2.8.0</version>
            </dependency>
            
            <dependency>
                <groupId>junit</groupId>
                <artifactId>junit</artifactId>
                <version>4.12</version>
                <scope>test</scope>
            </dependency>

注：

博客：  
[https://blog.csdn.net/badao\_liumang\_qizhi][https_blog.csdn.net_badao_liumang_qizhi]  
关注公众号  
霸道的程序猿  
获取编程相关电子书、教程推送与免费下载。

# 实现 #

实现对指定目录或文件中的单词出现次数进行统计，默认输出结果是以单词字典排序。  
采用默认文本读入，每行读取一次，然后使用\\t对数据进行分割或者使用字符串类  
StringTokenizer对其分割(该类会按照空格、\\t、\\n等进行切分)。在Reduce端相同的key，即  
相同的单词会在一起进行求和处理，求出出现次数。

1、首先新建数据集worlds.txt

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0JBREFPX0xJVU1BTkdfUUlaSEk_size_16_color_FFFFFF_t_70][]

2、编写map类，通过继承Mapper类实现里面的map函数

Mapper类中的第一个参数是Object(常用)，也可以写成Long

第一个参数对应的值是行偏移量

第二个参数类型通常是Text类型，Text类型是Hadoop实现的String类型的可写类型

第三个参数表示的是输出key的数据类型

第四个参数表示的是输出value的数据类型，IntWritable是Hadoop实现的int类型的可写数据类型

package com.badao.mapreducedemo;
    
    
    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 WorldCountMapper extends Mapper<Object,Text,Text,IntWritable> {
        //1、编写map函数，通过继承Mapper类实现里面的map函数
        //   Mapper类当中的第一个函数是Object,也可以写成Long
        //   第一个参数对应的值是行偏移量
    
        //2、第二个参数类型通常是Text类型，Text是Hadoop实现的String 类型的可写类型
        //   第二个参数对应的值是每行字符串
    
        //3、第三个参数表示的是输出key的数据类型
    
        //4、第四个参数表示的是输出value的数据类型，IntWriable 是Hadoop实现的int类型的可写数据类型
    
        public final static IntWritable one = new IntWritable(1);
        public Text word = new Text();
    
        //key 是行偏移量
        //value是每行字符串
        @Override
        public void map(Object key, Text value, Context context) throws IOException, InterruptedException {
            StringTokenizer stringTokenizer = new StringTokenizer(value.toString());
            while (stringTokenizer.hasMoreTokens())
            {
                //stringTokenizer.nextToken()是字符串类型，使用set函数完成字符串到Text数据类型的转换
                word.set(stringTokenizer.nextToken());
                //通过write函数写入到本地文件
                context.write(word,one);
            }
        }
    }

这里有个很重要的一点就是，千万不要导错包!!!

尤其是Text

3、编写reduce类

通过继承Reduce类实现里面的reduce函数

第一个参数类型是输入值key的数据类型，map中间输出key的数据类型

第二个参数是输入值为value的数据类型，map中间输出value的数据类型

第三个参数是输出值key的数据类型，它的数据类型要跟job.setOutputKeyClass(Text.Class)保持一致

第四个参数类型是输出值value的数据类型，它的数据类型要跟job.setOutputValueClass(IntWriable.class)保持一致

package com.badao.mapreducedemo;
    
    import org.apache.hadoop.io.IntWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Reducer;
    import java.io.IOException;
    
    
    //第一个参数类型是输入值key的数据类型，map中间输出key的数据类型
    //第二个参数类型是输入值value的数据类型，map中间输出value的数据类型
    //第三个参数类型是输出值key的数据类型，他的数据类型要跟job.setOutputKeyClass(Text.class) 保持一致
    //第四个参数类型是输出值value的数据类型，它的数据类型要跟job.setOutputValueClass(IntWriable.class) 保持一致
    
    public class WordCountReducer extends Reducer<Text, IntWritable,Text,IntWritable> {
    
        public IntWritable result = new IntWritable();
    
    
        //key就是单词  values是单词出现频率列表
        @Override
        public void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
            int sum = 0;
            for(IntWritable val:values)
            {
                //get就是取出IntWriable的值
                sum += val.get();
            }
            result.set(sum);
            context.write(key,result);
        }
    }

4、编写job类

这里把Windows本地文件和集群HDFS抽离出两个方法

## 本地文件 ##

public static void wordCountLocal()throws IOException, ClassNotFoundException, InterruptedException
        {
            Configuration conf = new Configuration();
            //实例化一个作业，word count是作业的名字
            Job job = Job.getInstance(conf, "wordcount");
            //指定通过哪个类找到对应的jar包
            job.setJarByClass(WorldCountJob.class);
            //为job设置Mapper类
            job.setMapperClass(WorldCountMapper.class);
            job.setCombinerClass(IntSumReducer.class);
            //为job设置reduce类
            job.setReducerClass(WordCountReducer.class);
            //为job的输出数据设置key类
            job.setOutputKeyClass(Text.class);
            //为job输出设置value类
            job.setOutputValueClass(IntWritable.class);
            //为job设置输入路径，输入路径是存在的文件夹/文件
            FileInputFormat.addInputPath(job,new Path("D:\\words.txt"));
            //为job设置输出路径
            FileOutputFormat.setOutputPath(job,new Path("D:\\badao"));
            job.waitForCompletion(true);
        }

注意事项：

这里的输入路径必须存在，就是上面新建的数据集。

输出路径必须不能存在，不然会报错路径已经存在

注意这里的FileOutputFormat导入的包路径是下面的路径

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0JBREFPX0xJVU1BTkdfUUlaSEk_size_16_color_FFFFFF_t_70 1][]

然后在main方法中调用该方法

运行成功后会在D盘下badao目录下生成part-r-00000文件，这就是统计结果

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0JBREFPX0xJVU1BTkdfUUlaSEk_size_16_color_FFFFFF_t_70 2][]

## 集群HDFS ##

public static void wordCountColony()throws IOException, ClassNotFoundException, InterruptedException
        {
            Configuration conf = new Configuration();
            conf.set("fs.defaultFS", "hdfs://192.168.148.128:9000");
            System.setProperty("HADOOP_USER_NAME","root");
            //实例化一个作业，word count是作业的名字
            Job job = Job.getInstance(conf, "wordcount");
            //指定通过哪个类找到对应的jar包
            job.setJarByClass(WorldCountJob.class);
            //为job设置Mapper类
            job.setMapperClass(WorldCountMapper.class);
            job.setCombinerClass(IntSumReducer.class);
            //为job设置reduce类
            job.setReducerClass(WordCountReducer.class);
            //为job的输出数据设置key类
            job.setOutputKeyClass(Text.class);
            //为job输出设置value类
            job.setOutputValueClass(IntWritable.class);
            //为job设置输入路径，输入路径是存在的文件夹/文件
            FileInputFormat.addInputPath(job,new Path("/words.txt"));
            //为job设置输出路径
            FileOutputFormat.setOutputPath(job,new Path("/badao9"));
            job.waitForCompletion(true);
        }

然后将数据集上传到集群HDFS中

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0JBREFPX0xJVU1BTkdfUUlaSEk_size_16_color_FFFFFF_t_70 3][]

然后main方法中运行该方法

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0JBREFPX0xJVU1BTkdfUUlaSEk_size_16_color_FFFFFF_t_70 4][]

运行结束后查看该文件

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0JBREFPX0xJVU1BTkdfUUlaSEk_size_16_color_FFFFFF_t_70 5][]

job完整代码：

package com.badao.mapreducedemo;
    
    
    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;
    import org.apache.hadoop.mapreduce.lib.reduce.IntSumReducer;
    import java.io.IOException;
    
    public class WorldCountJob {
        public static void main(String[] args) throws InterruptedException, IOException, ClassNotFoundException {
            wordCountLocal();
        }
    
        public static void wordCountLocal()throws IOException, ClassNotFoundException, InterruptedException
        {
            Configuration conf = new Configuration();
            //实例化一个作业，word count是作业的名字
            Job job = Job.getInstance(conf, "wordcount");
            //指定通过哪个类找到对应的jar包
            job.setJarByClass(WorldCountJob.class);
            //为job设置Mapper类
            job.setMapperClass(WorldCountMapper.class);
            job.setCombinerClass(IntSumReducer.class);
            //为job设置reduce类
            job.setReducerClass(WordCountReducer.class);
            //为job的输出数据设置key类
            job.setOutputKeyClass(Text.class);
            //为job输出设置value类
            job.setOutputValueClass(IntWritable.class);
            //为job设置输入路径，输入路径是存在的文件夹/文件
            FileInputFormat.addInputPath(job,new Path("D:\\words.txt"));
            //为job设置输出路径
            FileOutputFormat.setOutputPath(job,new Path("D:\\badao"));
            job.waitForCompletion(true);
        }
    
        public static void wordCountColony()throws IOException, ClassNotFoundException, InterruptedException
        {
            Configuration conf = new Configuration();
            conf.set("fs.defaultFS", "hdfs://192.168.148.128:9000");
            System.setProperty("HADOOP_USER_NAME","root");
            //实例化一个作业，word count是作业的名字
            Job job = Job.getInstance(conf, "wordcount");
            //指定通过哪个类找到对应的jar包
            job.setJarByClass(WorldCountJob.class);
            //为job设置Mapper类
            job.setMapperClass(WorldCountMapper.class);
            job.setCombinerClass(IntSumReducer.class);
            //为job设置reduce类
            job.setReducerClass(WordCountReducer.class);
            //为job的输出数据设置key类
            job.setOutputKeyClass(Text.class);
            //为job输出设置value类
            job.setOutputValueClass(IntWritable.class);
            //为job设置输入路径，输入路径是存在的文件夹/文件
            FileInputFormat.addInputPath(job,new Path("/words.txt"));
            //为job设置输出路径
            FileOutputFormat.setOutputPath(job,new Path("/badao9"));
            job.waitForCompletion(true);
        }
    }

示例代码下载：

[https://download.csdn.net/download/BADAO\_LIUMANG\_QIZHI/20718869][https_download.csdn.net_download_BADAO_LIUMANG_QIZHI_20718869]

[https_blog.csdn.net_BADAO_LIUMANG_QIZHI_article_details_119382108]: https://blog.csdn.net/BADAO_LIUMANG_QIZHI/article/details/119382108
[https_blog.csdn.net_badao_liumang_qizhi]: https://blog.csdn.net/badao_liumang_qizhi
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0JBREFPX0xJVU1BTkdfUUlaSEk_size_16_color_FFFFFF_t_70]: /images/20220829/bb72e8860f33465cb3d30e41911f0ad4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0JBREFPX0xJVU1BTkdfUUlaSEk_size_16_color_FFFFFF_t_70 1]: /images/20220829/6ba14d81d96c40d38952ac6d768f21fc.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0JBREFPX0xJVU1BTkdfUUlaSEk_size_16_color_FFFFFF_t_70 2]: /images/20220829/17e933538ef341ff894126bd9c044a69.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0JBREFPX0xJVU1BTkdfUUlaSEk_size_16_color_FFFFFF_t_70 3]: /images/20220829/11238073f4404653bb49ddbb51b4cb7f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0JBREFPX0xJVU1BTkdfUUlaSEk_size_16_color_FFFFFF_t_70 4]: /images/20220829/931cb44aa2894e3092dd81f3f84f0934.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0JBREFPX0xJVU1BTkdfUUlaSEk_size_16_color_FFFFFF_t_70 5]: /images/20220829/7cf0d16924f44f9a8fafe2d3576c650a.png
[https_download.csdn.net_download_BADAO_LIUMANG_QIZHI_20718869]: https://download.csdn.net/download/BADAO_LIUMANG_QIZHI/20718869