1 package zhouls.bigdata.myMapReduce.wordcount5;
 2 
 3 import java.io.IOException;
 4 import java.util.StringTokenizer;
 5 import org.apache.hadoop.conf.Configuration;
 6 import org.apache.hadoop.fs.Path;
 7 import org.apache.hadoop.io.IntWritable;
 8 import org.apache.hadoop.io.Text;
 9 import org.apache.hadoop.mapreduce.Job;
10 import org.apache.hadoop.mapreduce.Mapper;
11 import org.apache.hadoop.mapreduce.Reducer;
12 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
13 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
14 
15 public class WordCount 
16 {
17 public static class TokenizerMapper
18 extends Mapper<Object, Text, Text, IntWritable>{
19 
20 private final static IntWritable one = new IntWritable(1);
21 private Text word = new Text();
22 
23 public void map(Object key, Text value, Context context
24 ) throws IOException, InterruptedException {
25 StringTokenizer itr = new StringTokenizer(value.toString());
26 while (itr.hasMoreTokens()) {
27 word.set(itr.nextToken());
28 context.write(word, one);
29 }
30 }
31 }
32 
33 public static class IntSumReducer
34 extends Reducer<Text,IntWritable,Text,IntWritable> {
35 private IntWritable result = new IntWritable();
36 
37 public void reduce(Text key, Iterable<IntWritable> values,
38 Context context
39 ) throws IOException, InterruptedException {
40 int sum = 0;
41 for (IntWritable val : values) {
42 sum += val.get();
43 }
44 result.set(sum);
45 context.write(key, result);
46 }
47 }
48 
49 public static void main(String[] args) throws Exception {
50 Configuration conf = new Configuration();
51 Job job = Job.getInstance(conf, "word count");
52 job.setJarByClass(WordCount.class);
53 job.setMapperClass(TokenizerMapper.class);
54 job.setCombinerClass(IntSumReducer.class);
55 job.setReducerClass(IntSumReducer.class);
56 job.setOutputKeyClass(Text.class);
57 job.setOutputValueClass(IntWritable.class);
58 // FileInputFormat.addInputPath(job, new Path("hdfs:/HadoopMaster:9000/wc.txt"));
59 // FileOutputFormat.setOutputPath(job, new Path("hdfs:/HadoopMaster:9000/out/wordcount"));
60 FileInputFormat.addInputPath(job, new Path("./data/wc.txt"));
61 FileOutputFormat.setOutputPath(job, new Path("./out/WordCount"));
62 System.exit(job.waitForCompletion(true) ? 0 : 1);
63 }
64 }

  1 package com.dajiangtai.Hadoop.MapReduce;
  2 
  3 
  4 import java.io.IOException;
  5 import java.util.StringTokenizer;
  6 
  7 import org.apache.hadoop.conf.Configuration;
  8 import org.apache.hadoop.fs.FileSystem;
  9 import org.apache.hadoop.fs.Path;
 10 import org.apache.hadoop.io.IntWritable;
 11 import org.apache.hadoop.io.Text;
 12 import org.apache.hadoop.mapreduce.Job;
 13 import org.apache.hadoop.mapreduce.Mapper;
 14 import org.apache.hadoop.mapreduce.Reducer;
 15 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
 16 import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
 17 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
 18 import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
 19 
 20 
 21 @SuppressWarnings("unused")
 22 public class WordCount {//2017最新详解版
 23 
 24     public static class TokenizerMapper extends
 25             Mapper<Object, Text, Text, IntWritable>
 26 //            为什么这里k1要用Object、Text、IntWritable等，而不是java的string啊、int啊类型，当然，你可以用其他的，这样用的好处是，因为它里面实现了序列化和反序列化。
 27 //            可以让在节点间传输和通信效率更高。这就为什么hadoop本身的机制类型的诞生。
 28     
 29     
 30             //这个Mapper类是一个泛型类型，它有四个形参类型，分别指定map函数的输入键、输入值、输出键、输出值的类型。hadoop没有直接使用Java内嵌的类型，而是自己开发了一套可以优化网络序列化传输的基本类型。这些类型都在org.apache.hadoop.io包中。
 31             //比如这个例子中的Object类型，适用于字段需要使用多种类型的时候，Text类型相当于Java中的String类型，IntWritable类型相当于Java中的Integer类型
 32             {
 33             //定义两个变量或者说是定义两个对象，叫法都可以
 34         private final static IntWritable one = new IntWritable(1);//这个1表示每个单词出现一次，map的输出value就是1.
 35                                     //因为，v1是单词出现次数，直接对one赋值为1
 36         private Text word = new Text();
 37         
 38         public void map(Object key, Text value, Context context)
 39         //context它是mapper的一个内部类，简单的说顶级接口是为了在map或是reduce任务中跟踪task的状态，很自然的MapContext就是记录了map执行的上下文，在mapper类中，这个context可以存储一些job conf的信息，比如job运行时参数等，我们可以在map函数中处理这个信息，这也是Hadoop中参数传递中一个很经典的例子，同时context作为了map和reduce执行中各个函数的一个桥梁，这个设计和Java web中的session对象、application对象很相似
 40         //简单的说context对象保存了作业运行的上下文信息，比如：作业配置信息、InputSplit信息、任务ID等
 41         //我们这里最直观的就是主要用到context的write方法。
 42         //说白了，context起到的是连接map和reduce的桥梁。起到上下文的作用！
 43         
 44                 throws IOException, InterruptedException {
 45             //The tokenizer uses the default delimiter set, which is " \t\n\r": the space character, the tab character, the newline character, the carriage-return character
 46             StringTokenizer itr = new StringTokenizer(value.toString());//将Text类型的value转化成字符串类型
 47             //StringTokenizer是字符串分隔解析类型,StringTokenizer 用来分割字符串，你可以指定分隔符，比如','，或者空格之类的字符。
 48             
 49             
 50             //使用StringTokenizer类将字符串“hello,java,delphi,asp,PHP”分解为三个单词
 51 //            程序的运行结果为:
 52 //                  hello
 53 //                  java
 54 //                  delphi
 55 //                  asp
 56 //
 57 //                  php
 58             
 59             
 60             while (itr.hasMoreTokens()) {//hasMoreTokens() 方法是用来测试是否有此标记生成器的字符串可用更多的标记。
 61 //                实际上就是java.util.StringTokenizer.hasMoreTokens()
 62 //                hasMoreTokens() 方法是用来测试是否有此标记生成器的字符串可用更多的标记。
 63                 //java.util.StringTokenizer.hasMoreTokens()
 64                 
 65                 
 66                 word.set(itr.nextToken());//nextToken()这是 StringTokenizer 类下的一个方法,nextToken() 用于返回下一个匹配的字段。
 67                 context.write(word, one);
 68             }
 69         }
 70     }
 71 
 72     
 73 
 74     
 75     public static class IntSumReducer extends
 76             Reducer<Text, IntWritable, Text, IntWritable> {
 77         private IntWritable result = new IntWritable();
 78         public void reduce(Text key, Iterable<IntWritable> values,
 79                 Context context) throws IOException, InterruptedException {
 80             //我们这里最直观的就是主要用到context的write方法。
 81             //说白了，context起到的是连接map和reduce的桥梁。起到上下文的作用！
 82             
 83             int sum = 0;
 84             for (IntWritable val : values) {//叫做增强的for循环，也叫for星型循环
 85                 sum += val.get();
 86             }
 87             result.set(sum);
 88             context.write(key, result);
 89         }
 90     }
 91 
 92     public static void main(String[] args) throws Exception {
 93         Configuration conf = new Configuration();//程序里，只需写这么一句话，就会加载到hadoop的配置文件了
 94         //Configuration类代表作业的配置，该类会加载mapred-site.xml、hdfs-site.xml、core-site.xml等配置文件。
 95         //删除已经存在的输出目录
 96         Path mypath = new Path("hdfs://djt002:9000/outData/wordcount");//输出路径
 97         FileSystem hdfs = mypath.getFileSystem(conf);//程序里，只需写这么一句话，就可以获取到文件系统了。
 98                     //FileSystem里面包括很多系统，不局限于hdfs，是因为，程序读到conf，哦，原来是hadoop集群啊。这时，才认知到是hdfs
 99         
100         //如果文件系统中存在这个输出路径，则删除掉，保证输出目录不能提前存在。
101         if (hdfs.isDirectory(mypath)) {
102             hdfs.delete(mypath, true);
103         }
104         
105         //job对象指定了作业执行规范，可以用它来控制整个作业的运行。
106         Job job = Job.getInstance();// new Job(conf, "word count");
107         job.setJarByClass(WordCount.class);//我们在hadoop集群上运行作业的时候，要把代码打包成一个jar文件，然后把这个文件
108         //传到集群上，然后通过命令来执行这个作业，但是命令中不必指定JAR文件的名称，在这条命令中通过job对象的setJarByClass（）
109         //中传递一个主类就行，hadoop会通过这个主类来查找包含它的JAR文件。
110         
111         job.setMapperClass(TokenizerMapper.class);
112         //job.setReducerClass(IntSumReducer.class);
113         job.setCombinerClass(IntSumReducer.class);//Combiner最终不能影响reduce输出的结果
114 //                                这句话要好好理解!!!
115         
116         
117         
118         job.setOutputKeyClass(Text.class);
119         job.setOutputValueClass(IntWritable.class);
120         //一般情况下mapper和reducer的输出的数据类型是一样的，所以我们用上面两条命令就行，如果不一样，我们就可以用下面两条命令单独指定mapper的输出key、value的数据类型
121         //job.setMapOutputKeyClass(Text.class);
122         //job.setMapOutputValueClass(IntWritable.class);
123         //hadoop默认的是TextInputFormat和TextOutputFormat,所以说我们这里可以不用配置。
124         //job.setInputFormatClass(TextInputFormat.class);
125         //job.setOutputFormatClass(TextOutputFormat.class);
126         
127         FileInputFormat.addInputPath(job, new Path(
128                 "hdfs://djt002:9000/inputData/wordcount/wc.txt"));//FileInputFormat.addInputPath（）指定的这个路径可以是单个文件、一个目录或符合特定文件模式的一系列文件。
129         //从方法名称可以看出，可以通过多次调用这个方法来实现多路径的输入。        
130         FileOutputFormat.setOutputPath(job, new Path(
131                 "hdfs://djt002:9000/outData/wordcount"));//只能有一个输出路径，该路径指定的就是reduce函数输出文件的写入目录。
132         //特别注意：输出目录不能提前存在，否则hadoop会报错并拒绝执行作业，这样做的目的是防止数据丢失，因为长时间运行的作业如果结果被意外覆盖掉，那肯定不是我们想要的
133         System.exit(job.waitForCompletion(true) ? 0 : 1);
134         //使用job.waitForCompletion（）提交作业并等待执行完成，该方法返回一个boolean值，表示执行成功或者失败，这个布尔值被转换成程序退出代码0或1，该布尔参数还是一个详细标识，所以作业会把进度写到控制台。
135         //waitForCompletion(）提交作业后，每秒会轮询作业的进度，如果发现和上次报告后有改变，就把进度报告到控制台，作业完成后，如果成功就显示作业计数器，如果失败则把导致作业失败的错误输出到控制台
136     }
137 }
138 
139 //TextInputFormat是hadoop默认的输入格式，这个类继承自FileInputFormat,使用这种输入格式，每个文件都会单独作为Map的输入，每行数据都会生成一条记录，每条记录会表示成<key，value>的形式。
140 //key的值是每条数据记录在数据分片中的字节偏移量，数据类型是LongWritable.
141 //value的值为每行的内容，数据类型为Text。
142 //
143 //实际上InputFormat（）是用来生成可供Map处理的<key，value>的。
144 //InputSplit是hadoop中用来把输入数据传送给每个单独的Map(也就是我们常说的一个split对应一个Map),
145 //InputSplit存储的并非数据本身，而是一个分片长度和一个记录数据位置的数组。
146 //生成InputSplit的方法可以通过InputFormat（）来设置。
147 //当数据传给Map时，Map会将输入分片传送给InputFormat（），InputFormat()则调用getRecordReader()生成RecordReader,RecordReader则再通过creatKey()和creatValue()创建可供Map处理的<key，value>对。
148 //
149 //OutputFormat()
150 //默认的输出格式为TextOutputFormat。它和默认输入格式类似，会将每条记录以一行的形式存入文本文件。它的键和值可以是任意形式的，因为程序内部会调用toString()将键和值转化为String类型再输出。

  1 package zhouls.bigdata.myMapReduce.wordcount5;
  2 
  3 import java.io.IOException;
  4 import java.util.StringTokenizer;
  5 import org.apache.hadoop.conf.Configuration;
  6 import org.apache.hadoop.fs.FileSystem;
  7 import org.apache.hadoop.fs.Path;
  8 import org.apache.hadoop.io.IntWritable;
  9 import org.apache.hadoop.io.Text;
 10 import org.apache.hadoop.mapreduce.Job;
 11 import org.apache.hadoop.mapreduce.Mapper;
 12 import org.apache.hadoop.mapreduce.Reducer;
 13 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
 14 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
 15 import org.apache.hadoop.util.Tool;
 16 import org.apache.hadoop.util.ToolRunner;
 17 
 18  
 19 
 20 public class WordCount implements Tool 
 21 {
 22 public static class TokenizerMapper
 23 extends Mapper<Object, Text, Text, IntWritable>{
 24 
 25 private final static IntWritable one = new IntWritable(1);
 26 private Text word = new Text();
 27 
 28 public void map(Object key, Text value, Context context
 29 ) throws IOException, InterruptedException {
 30 StringTokenizer itr = new StringTokenizer(value.toString());
 31 while (itr.hasMoreTokens()) {
 32 word.set(itr.nextToken());
 33 context.write(word, one);
 34 }
 35 }
 36 }
 37 
 38 public static class IntSumReducer
 39 extends Reducer<Text,IntWritable,Text,IntWritable> {
 40 private IntWritable result = new IntWritable();
 41 
 42 public void reduce(Text key, Iterable<IntWritable> values,
 43 Context context
 44 ) throws IOException, InterruptedException {
 45 int sum = 0;
 46 for (IntWritable val : values) {
 47 sum += val.get();
 48 }
 49 result.set(sum);
 50 context.write(key, result);
 51 }
 52 }
 53 
 54 
 55 public int run(String[] arg0) throws Exception {
 56 Configuration conf = new Configuration();
 57 //2删除已经存在的输出目录
 58 Path mypath = new Path(arg0[1]);//下标为1，即是输出路径
 59 FileSystem hdfs = mypath.getFileSystem(conf);//获取文件系统
 60 if (hdfs.isDirectory(mypath))
 61 {//如果文件系统中存在这个输出路径，则删除掉
 62 hdfs.delete(mypath, true);
 63 }
 64 
 65 Job job = Job.getInstance(conf, "word count");
 66 job.setJarByClass(WordCount.class);
 67 job.setMapperClass(TokenizerMapper.class);
 68 job.setCombinerClass(IntSumReducer.class);
 69 job.setReducerClass(IntSumReducer.class);
 70 job.setOutputKeyClass(Text.class);
 71 job.setOutputValueClass(IntWritable.class);
 72 
 73 
 74 FileInputFormat.addInputPath(job, new Path(arg0[0]));// 文件输入路径
 75 FileOutputFormat.setOutputPath(job, new Path(arg0[1]));// 文件输出路径
 76 job.waitForCompletion(true);
 77 
 78 return 0;
 79 
 80 }
 81 
 82 
 83 public static void main(String[] args) throws Exception {
 84 
 85 //集群路径    
 86 // String[] args0 = { "hdfs:/HadoopMaster:9000/wc.txt",
 87 // "hdfs:/HadoopMaster:9000/out/wordcount"};
 88 
 89 //本地路径    
 90 String[] args0 = { "./data/wc.txt",
 91 "./out/WordCount"};    
 92 int ec = ToolRunner.run( new Configuration(), new WordCount(), args0);
 93 System. exit(ec);
 94 }
 95 
 96 
 97 @Override
 98 public Configuration getConf() {
 99 // TODO Auto-generated method stub
100 return null;
101 }
102 
103 
104 @Override
105 public void setConf(Configuration arg0) {
106 // TODO Auto-generated method stub
107 
108 }
109 }