大数据从入门到实战 - MapReduce基础实战

什么是MapReduce

MapReduce是一种可用于数据处理的编程模型，我们现在设想一个场景，你接到一个任务，任务是：挖掘分析我国气象中心近年来的数据日志，该数据日志大小有3T,让你分析计算出每一年的最高气温，如果你现在只有一台计算机，如何处理呢？我想你应该会读取这些数据，并且将读取到的数据与目前的最大气温值进行比较。比较完所有的数据之后就可以得出最高气温了。不过以我们的经验都知道要处理这么多数据肯定是非常耗时的。

如果我现在给你三台机器，你会如何处理呢？看到下图你应该想到了：最好的处理方式是将这些数据切分成三块，然后分别计算处理这些数据（Map），处理完毕之后发送到一台机器上进行合并（merge），再计算合并之后的数据，归纳（reduce）并输出。

这就是一个比较完整的MapReduce的过程了。

如何使用MapReduce进行运算

我们通过一个示例，来体验Map/Reduce的使用。

我们从一个问题入手：目前我们想统计两个文本文件中，每个单词出现的次数。

首先我们在当前目录下创建两个文件：

创建file01输入内容：

Hello World Bye World

创建file02输入内容：

Hello Hadoop Goodbye Hadoop

将文件上传到HDFS的/usr/input/目录下：

不要忘了启动DFS： start-dfs.sh

然后创建文件夹并上传：

在右侧代码区域编写，文件WordCount.java，添加如下内容：

public class WordCount {  
//Mapper类  
/*LongWritable表示每一行起始偏移量  
第一个Text是用来接受文件中的内容，  
第二个Text是用来输出给Reduce类的key,  
IntWritable是用来输出给Reduce类的value*/  
 public static class TokenizerMapper   
       extends Mapper<LongWritable, Text, Text, IntWritable>{  
    private final static IntWritable one = new IntWritable(1);  
    private Text word = new Text();  
    public void map(LongWritable 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);  
      }  
    }  
  }  
  public static class IntSumReducer   
       extends Reducer<Text,IntWritable,Text,IntWritable> {  
    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);  
    }  
  }  
  public static void main(String[] args) throws Exception {  
    //创建配置对象  
    Configuration conf = new Configuration();  
    //创建job对象  
    Job job = new Job(conf, "word count");  
    //设置运行job的类  
    job.setJarByClass(WordCount.class);  
    //设置Mapper的类  
    job.setMapperClass(TokenizerMapper.class);  
    //设置Reduce的类  
    job.setReducerClass(IntSumReducer.class);  
    //设置输出的key value格式  
    job.setOutputKeyClass(Text.class);  
    job.setOutputValueClass(IntWritable.class);  
    //设置输入路径  
    String inputfile = "/usr/input";  
    //设置输出路径  
    String outputFile = "/usr/output";  
    //执行输入  
    FileInputFormat.addInputPath(job, new Path(inputfile));  
    //执行输出  
    FileOutputFormat.setOutputPath(job, new Path(outputFile));  
    //是否运行成功，true输出0，false输出1  
    System.exit(job.waitForCompletion(true) ? 0 : 1);  
  }  
}

点击评测，运行代码，可以看到/usr/output目录下已经生成了文件。

我们来查看part--r-00000文件的内容：

可以看到统计的数据已经生成在文件中了。

如果你还想要运行一次，那么你需要删除输出路径的文件夹和文件。

代码解释

示例中，Map/Reduce程序总共分为三块即：Map，Recude，Job，Map负责处理输入文件的内容。

TokenizerMapper的map方法，它通过StringTokenizer 以空格为分隔符将一行切分为若干tokens，之后，输出< <word>, 1>形式的键值对。

对于示例中的第一个输入，map输出是：
< Hello, 1>
< World, 1>
< Bye, 1>
< World, 1>

第二个输入，map输出是：
< Hello, 1>
< Hadoop, 1>
< Goodbye, 1>
< Hadoop, 1>

WordCount还指定了一个combiner。因此，每次map运行之后，会对输出按照key进行排序，然后把输出传递给本地的combiner（按照作业的配置与Reducer一样），进行本地聚合。

第一个map的输出是：
< Bye, 1>
< Hello, 1>
< World, 2>

第二个map的输出是：
< Goodbye, 1>
< Hadoop, 2>
< Hello, 1>

reduce的数据是这样的：

< Bye , [1]>
< GoodBye , [1]>
< Hadoop , [2]>
< Hello , [1,1]>
< World , [2]>

Reducer中的reduce方法仅是将每个key（本例中就是单词）出现的次数求和。

因此这个作业的输出就是：
< Bye, 1>
< Goodbye, 1>
< Hadoop, 2>
< Hello, 2>
< World, 2>

在之后的实训中我们还会学习到JobConf， JobClient，Tool这些对象。

编程要求

使用MapReduce计算班级每个学生的最好成绩，输入文件路径为/user/test/input，请将计算后的结果输出到/user/test/output/目录下。

代码文件

import java.io.IOException;
import java.util.StringTokenizer;
 
import java.io.IOException;
import java.util.StringTokenizer;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.*;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;

public class WordCount {
    /********** Begin **********/
	//Mapper函数
    public static class TokenizerMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
        private final static IntWritable one = new IntWritable(1);
        private Text word = new Text();
        private int maxValue = 0;
        public void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
            StringTokenizer itr = new StringTokenizer(value.toString(),"\n");
            while (itr.hasMoreTokens()) {
                String[] str = itr.nextToken().split(" ");
                String name = str[0];
                one.set(Integer.parseInt(str[1]));
                word.set(name);
                context.write(word,one);
            }
            //context.write(word,one);
        }
    }
    public static class IntSumReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
        private IntWritable result = new IntWritable();
        public void reduce(Text key, Iterable<IntWritable> values, Context context)
                throws IOException, InterruptedException {
            int maxAge = 0;
            int age = 0;
            for (IntWritable intWritable : values) {
                maxAge = Math.max(maxAge, intWritable.get());
            }
            result.set(maxAge);
            context.write(key, result);
        }
    }
    public static void main(String[] args) throws Exception {
        Configuration conf = new Configuration();
        Job job = new Job(conf, "word count");
        job.setJarByClass(WordCount.class);
        job.setMapperClass(TokenizerMapper.class);
        job.setCombinerClass(IntSumReducer.class);
        job.setReducerClass(IntSumReducer.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);
        String inputfile = "/user/test/input";
        String outputFile = "/user/test/output/";
        FileInputFormat.addInputPath(job, new Path(inputfile));
        FileOutputFormat.setOutputPath(job, new Path(outputFile));
        job.waitForCompletion(true);
    /********** End **********/
    }
}

命令行

root@evassh-12041368:~# touch file01
root@evassh-12041368:~# echo Hello World Bye World
Hello World Bye World
root@evassh-12041368:~# cat file01
Hello World Bye World 
root@evassh-12041368:~# echo Hello World Bye World >file01
root@evassh-12041368:~# cat file01
Hello World Bye World
root@evassh-12041368:~# touch file02
root@evassh-12041368:~# echo Hello Hadoop Goodbye Hadoop >file02
root@evassh-12041368:~# cat file02
Hello Hadoop Goodbye Hadoop
root@evassh-12041368:~# start-dfs.sh
Starting namenodes on [localhost]
localhost: Warning: Permanently added 'localhost' (ECDSA) to the list of known hosts.
localhost: starting namenode, logging to /usr/local/hadoop/logs/hadoop-root-namenode-evassh-12041368.out
localhost: Warning: Permanently added 'localhost' (ECDSA) to the list of known hosts.
localhost: starting datanode, logging to /usr/local/hadoop/logs/hadoop-root-datanode-evassh-12041368.out
Starting secondary namenodes [0.0.0.0]
0.0.0.0: Warning: Permanently added '0.0.0.0' (ECDSA) to the list of known hosts.
0.0.0.0: starting secondarynamenode, logging to /usr/local/hadoop/logs/hadoop-root-secondarynamenode-evassh-12041368.out
root@evassh-12041368:~# hadoop fs -mkdir /usr
mkdir: Cannot create directory /usr. Name node is in safe mode.
root@evassh-12041368:~# hadoop fs -mkdir /usr/
root@evassh-12041368:~# hadoop fs -mkdir /usr/input
root@evassh-12041368:~# hadoop fs -ls /usr/output
ls: `/usr/output': No such file or directory
root@evassh-12041368:~# hadoop fs -mkdir /usr/output
root@evassh-12041368:~# hadoop fs -ls /usr/output
root@evassh-12041368:~# hadoop fs -ls /
Found 3 items
drwxr-xr-x   - root supergroup          0 2022-07-27 06:44 /uer
drwxr-xr-x   - root supergroup          0 2022-07-27 06:46 /user
drwxr-xr-x   - root supergroup          0 2022-07-27 07:02 /usr
root@evassh-12041368:~# hadoop fs -ls /usr
Found 2 items
drwxr-xr-x   - root supergroup          0 2022-07-27 07:00 /usr/input
drwxr-xr-x   - root supergroup          0 2022-07-27 07:02 /usr/output
root@evassh-12041368:~# hadoop fs -put file01 /usr/input
root@evassh-12041368:~# hadoop fs -put file02 /usr/input
root@evassh-12041368:~# hadoop fs -ls /usr/input
Found 2 items
-rw-r--r--   1 root supergroup         22 2022-07-27 07:03 /usr/input/file01
-rw-r--r--   1 root supergroup         28 2022-07-27 07:05 /usr/input/file02
root@evassh-12041368:~#

结果

原文链接：https://blog.csdn.net/qq_61604164/article/details/126015302