Hadoop MapReduce WordCount程序开发与运行

本文将详细介绍基于Hadoop MapReduce的WordCount程序的开发与运行过程，包括程序设计、打包运行以及在Hadoop集群上运行的实际操作步骤。

1. MapReduce之WordCount的计算模型

1.1 WordCount的Map过程

在MapReduce的WordCount程序中，Map阶段的主要任务是将输入的文本文件按行分割，并将每行文本拆分成单词。具体来说，TokenizerMapper类通过StringTokenizer将每行文本按空格或其他分隔符分割成单词，并将每个单词及其计数（默认为1）作为Map任务的输出。

此外，Map任务会对输出的键值对进行排序，并执行Combine过程，将相同单词的计数值累加。这样可以确保Combine任务能够接收到有序且连续的键值对，从而提高效率。

1.2 WordCount的Reduce过程

Reduce阶段的主要任务是对Map阶段输出的有序键值对进行处理。IntSumReducer类会接收所有以相同单词为键的计数值，并将它们相加，得到该单词在整个文本中的总出现次数。

Reduce任务的输出即为最终的WordCount结果，键为单词，值为单词出现的总次数。

2. 打包运行WordCount程序

2.1 下载所需的驱动包

为了能够运行WordCount程序，需要下载并添加以下Hadoop相关的JAR包：

hadoop-common-2.6.0.jar

hadoop-mapreduce-client-core-2.6.0.jar

hadoop-test-1.2.1.jar

2.2 创建新的工程

在Eclipse中创建名为WordCount的Java项目。

在项目属性的Java Build Path中添加上述下载的JAR包。

新增WordCount.java源文件，包含以下内容：

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.IntWritable;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;public class WordCount {    public static class TokenizerMapper extends Mapper
   
     {        private IntWritable one = new IntWritable(1);        private Text word = new Text();        @Override        public void map(Object 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> {        private IntWritable result = new IntWritable();        @Override        public void reduce(Text key, Iterable
     
       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 {        Configuration conf = new Configuration();        Job job = Job.getInstance(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);        FileInputFormat.addInputPath(job, new Path(args[0]));        FileOutputFormat.setOutputPath(job, new Path(args[1]));        System.exit(job.waitForCompletion(true) ? 0 : 1);    }}

2.3 打包源文件

在Eclipse中选择文件，右键单击并导出为JAR文件，选择WordCount项目作为导出的基础，设置输出路径和文件名。

打包完成后，会在指定路径生成WordCount.jar文件。

2.4 启动HDFS服务

打开终端，进入/usr/local/Cellar/hadoop/2.6.0/sbin目录。

执行以下命令启动HDFS服务：

start-dfs.sh

检查是否启动成功，执行jps查看进程。

2.5 将文件上传到HDFS

创建HDFS上的输入和输出文件夹：

hdfs dfs -mkdir /userhdfs dfs -mkdir /user/input

将本地文件上传到HDFS：

hdfs dfs -put /Users/你的路径/test*.html /user/input

2.6 运行JAR文件

创建工作目录：

mkdir WorkSpace

将WordCount.jar复制到工作目录：

cp /你的路径/WordCount.jar ./WorkSpace

运行JAR文件：

hadoop jar WorkSpace/WordCount.jar WordCount /user/input /user/output

3. 查看运行结果

检查输出文件：

hdfs dfs -ls /user/output

查看具体内容：

hdfs dfs -cat /user/output/part-r-00000

4. 常见问题

如果程序运行失败，需检查日志文件：
```
hadoop job -debug
```

确保输入文件格式正确，且HDFS集群运行正常。

5. 参考文献

[1] CSDN博客：MapReduce之WordCount

[2] Andrew Liu：MapReduce WordCount

[3] Mac下Hadoop配置及Eclipse编程

你可能感兴趣的文章