MapReduce统计单词

一、HDFS个人理解

       HDFS是个文件系统，只不过加了个分布式作为文件系统的前缀而已，大概的结构就像LINUX系统。文件大的一个电脑存储不下，怎办？那就想办法存储到不同的机子上呗，于是HDFS就应用而生了。众所周知，文件在硬盘上是以文件块的形式存储。什么句柄啊，真心不懂，只能感知，没人能明白0和1，当然也没必要。

二、Map个人理解

       数学函数大家都清楚吧，f（x）=2x，这是一个简单的线性函数。

       打开脑洞，将x看成文件中的一行行的字符串，x=“hello hadoop hello mapreduce ” 而此时f（x）的功能是将此字符串按照空格隔开，输出结果为：（hello 1）、（hadoop 1）、（hello 1）、（mapreduce 1）格式。

       继续打开脑洞，将x看成一个大文件的一个文件块，比如1万行作为一个文件块，作为x的数值。Hadoop会为每一个文件块构建一个Map任务。

       假设，某个HDFS文件有5万行数据，Hadoop将5万行数据切分成5个不同的分片，每个分片有1万行数据，再假设有5台hadoop集群，那么Hadoop会构建5个Map任务，每个Map任务处理一个分片，完全是并行处理的。

三、 Map代码大放送 

1public static class WordCountMapper extends Mapper<LongWritable，Text，Text，IntWritable> {
2   private static final IntWritable ONE = new IntWritable(1);
3   Text value = new Text();
4    @Override
5    public void map(LongWritable key, Text value, Context context) 
6                                                        throws IOException, InterruptedException {
7        StringTokenizer tokenizer = new StringTokenizer(value.toString());
8        while (tokenizer.hasMoreTokens()) {
9            word.set(StringUtils.trim(tokenizer.nextToken().replaceAll("\\W", "")));
10            //写到一个临时目录下了
11            context.write(word, one);
12        }
13   }
14}
15
16public static class MyMapper implements Mapper<LongWritable, Text, Text, IntWritable> {
17        private static final IntWritable ONE = new IntWritable(1);
18        private Text word = new Text();
19        @Override
20        public void map(LongWritable key, Text value, OutputCollector<Text, IntWritable> output, Reporter reporter) throws IOException {
21            String record = value.toString();
22            String[] split = record.split(" ");
23            for (String one : split) {
24                word.set(one);
25                output.collect(word, ONE);
26            }
27        }
28    }

二、Shuffle阶段

       Shuffle即混洗，这个代码不需要我们去写，但是这个过程是存在的 。无数的类似与 （hello 1）、（hadoop 1）、（hello 1）、（mapreduce 1）这种格式的数据存储在磁盘下，真心不知道它是如何转换成（hello  [1，1]）、（hadoop  [1]）、（mapreduce  [1]）这种格式的，想想都可怕，想想都觉得是艰难，难道是每次在写的时候，都去查询了一把？......待我翻书，给你解释，最好不要有什么宽依赖，窄依赖的，太怕了。

三、Reduce代码大放送

       没什么好解释的，Map的输出作为Reduce的输入。

1public static class WordCountReduce extends Reducer<Text, IntWritable, Text, IntWritable> {
2    @Override
3    public void reduce(Text key, Iterable<IntWritable> values,Context context) throws                     IOException,InterruptedException {
4        int sum = 0;
5        for (IntWritable val : values) {
6            sum += val.get();
7        }
8        context.write(key, new IntWritable(sum));
9    }
10}
11public static class MyReducer implements Reducer<Text, IntWritable, Text, IntWritable> {
12        private IntWritable result = new IntWritable();
13        @Override
14        public void reduce(Text key, Iterator<IntWritable> values, OutputCollector<Text, IntWritable> output, Reporter reporter) throws IOException {
15            int sum = 0;
16            while (values.hasNext()) {
17                sum += values.next().get();
18
19            }
20            result.set(sum);
21            output.collect(key, result);
22        }
23    }

四、主方法代码大放送

1public class WordCount {
2    public static void main(String[] args) throws IOException, 
3                                                    ClassNotFoundException, InterruptedException {
4        Configuration conf = new Configuration();
5        Job job = new Job(conf);
6        job.setJobName("wordcount");
7        //在hadoop集群上运行这个作业的时候，需要将执行的类打包成一个jar文件，然后进行运行，为什么要打成jar文件呢？因为，因为，因为这是集群、要分发代码、要知道其他机子和driver做同样的事情。
8        job.setJarByClass(WordCountMapper.class);
9        //设置MapRededuce输出格式，key和value
10        job.setOutputKeyClass(Text.class);
11        job.setOutputValueClass(IntWritable.class);
12        //设置map和reduce的类型
13        job.setMapperClass(WordCountMapper.class);
14        job.setReducerClass(WordCountReduce.class);
15        //设置输入和输出的格式
16        job.setInputFormatClass(TextInputFormat.class);
17        job.setOutputFormatClass(TextOutputFormat.class);
18        //分别输入路径和输出路径，都是绝对路径
19        FileInputFormat.setInputPaths(job, new Path("/user/hadoop/wordcount.txt"));
20        FileOutputFormat.setOutputPath(job, new Path("/user/hadoop/" + new SimpleDateFormat("mmss").format(new Date())));
21        //提交任务
22        job.waitForCompletion(true);
23    }
24}