一起學Hadoop——第一個MapReduce程序
上一篇我們學習了MapReduce的原理，今天我們使用代碼來加深對MapReduce原理的理解。
wordcount是Hadoop入門的經典例子，我們也不能免俗，也使用這個例子作為學習Hadoop的第一個程序。本文將介紹使用java和python編寫第一個MapReduce程序。
本文使用Idea2018開發工具開發第一個Hadoop程序。使用的編程語言是Java。
打開idea，新建一個工程，如下圖所示：
在彈出新建工程的界面選擇Java，接著選擇SDK，一般默認即可，點擊「Next」按鈕，如下圖：
在彈出的選擇創建項目的模板頁面，不做任何操作，直接點擊「Next」按鈕。
輸入項目名稱，點擊Finish，就完成了創建新項目的工作，我們的項目名稱為：WordCount。如下圖所示：
添加依賴jar包，和Eclipse一樣，要給項目添加相關依賴包，否則會出錯。
點擊Idea的File菜單，然後點擊「Project Structure」菜單，如下圖所示：
依次點擊Modules和Dependencies，然後選擇「+」的符號，如下圖所示：
選擇hadoop的包，我用得是hadoop2.6.1。把下面的依賴包都加入到工程中，否則會傳下某個類找不到的錯誤。
（1）」/usr/local/hadoop/share/hadoop/common」目錄下的hadoop-common-2.6.1.jar和haoop-nfs-2.6.1.jar；
（2）/usr/local/hadoop/share/hadoop/common/lib」目錄下的所有JAR包；
（3）「/usr/local/hadoop/share/hadoop/hdfs」目錄下的haoop-hdfs-2.6.1.jar和haoop-hdfs-nfs-2.7.1.jar；
（4）「/usr/local/hadoop/share/hadoop/hdfs/lib」目錄下的所有JAR包。
工程已經創建好，我們開始編寫Map類、Reduce類和運行MapReduce的入口類：
Map類如下：
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
public class WordcountMap extends Mapper<LongWritable,Text,Text,IntWritable> {
public void map(LongWritable key,Text value,Context context)throws IOException,InterruptedException{
String line = value.toString();//讀取一行數據
String str[] = line.split("");//因為英文字母是以「 」為間隔的，因此使用「 」分隔符將一行數據切成多個單詞並存在數組中
for(String s :str){//循環迭代字元串，將一個單詞變成<key,value>形式，及<"hello",1>
context.write(new Text(s),new IntWritable(1));
}
}
}
Reudce類：
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.io.Text;
import java.io.IOException;
public class WordcountReduce extends Reducer<Text,IntWritable,Text,IntWritable> {
public void reduce(Text key, Iterable<IntWritable> values,Context context)throws IOException,InterruptedException{
int count = 0;
for(IntWritable value: values) {
count++;
}
context.write(key,new IntWritable(count));
}
}
入口類 ：
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
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.util.GenericOptionsParser;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
public class WordCount {
public static void main(String[] args)throws Exception{
Configuration conf = new Configuration();
//獲取運行時輸入的參數，一般是通過shell腳本文件傳進來。
String [] otherArgs = new GenericOptionsParser(conf,args).getRemainingArgs();
if(otherArgs.length < 2){
System.err.println("必須輸入讀取文件路徑和輸出路徑");
System.exit(2);
}
Job job = new Job();
job.setJarByClass(WordCount.class);
job.setJobName("wordcount app");
//設置讀取文件的路徑，都是從HDFS中讀取。讀取文件路徑從腳本文件中傳進來
FileInputFormat.addInputPath(job,new Path(args[0]));
//設置mapreduce程序的輸出路徑，MapReduce的結果都是輸入到文件中
FileOutputFormat.setOutputPath(job,new Path(args[1]));
//設置實現了map函數的類
job.setMapperClass(WordcountMap.class);
//設置實現了reduce函數的類
job.setReducerClass(WordcountReduce.class);
//設置reduce函數的key值
job.setOutputKeyClass(Text.class);
//設置reduce函數的value值
job.setOutputValueClass(IntWritable.class);
System.exit(job.waitForCompletion(true) ? 0 :1);
}
}
代碼寫好之後，開始jar包，按照下圖打包。點擊「File」，然後點擊「Project Structure」，彈出如下的界面，
依次點擊"Artifacts" -> "+" -> "JAR" -> "From modules with dependencies"，然後彈出一個選擇入口類的界面，選擇剛剛寫好的WordCount類，如下圖：
按照上面設置好之後，就開始打jar包，如下圖：
點擊上圖的「Build」之後就會生成一個jar包。jar的位置看下圖，依次點擊File->Project Structure->Artifacts就會看到如下的界面：
將打好包的wordcount.jar文件上傳到裝有hadoop集群的機器中，然後創建shell文件，shell文件內容如下，/usr/local/src/hadoop-2.6.1是hadoop集群中hadoop的安裝位置，
/usr/local/src/hadoop-2.6.1/bin/hadoop jar wordcount.jar #執行jar文件的命令以及jar文件名，
hdfs://hadoop-master:8020/data/english.txt #輸入路徑
hdfs://hadoop-master:8020/wordcount_output #輸出路徑
執行shell文件之後，會看到如下的信息，
上圖中數字1表示輸入分片split的數量，數字2表示map和reduce的進度，數字3表示mapreduce執行成功，數字4表示啟動多少個map任務，數字5表示啟動多少個reduce任務。
自行成功後在hadoop集群中的hdfs文件系統中會看到一個wordcount_output的文件夾。使用「hadoop fs -ls /」命令查看：
在wordcount_output文件夾中有兩個文件，分別是_SUCCESS和part-r-00000，part-r-00000記錄著mapreduce的執行結果，使用hadoop fs -cat /wordcount_output/part-r-00000查看part-r-00000的內容：
可以每個英文單詞出現的次數。
至此，藉助idea 2018工具開發第一個使用java語言編寫的mapreduce程序已經成功執行。下面介紹使用python語言編寫的第一個mapreduce程序，相對於java，python編寫mapreduce會簡單很多，因為hadoop提供streaming，streaming是使用Unix標準流作為Hadoop和應用程序之間的介面，所以可以使用任何語言通過標準輸入輸出來寫MapReduce程序。
下面介紹使用Python編寫MapReduce
看代碼：
實現了map函數的python程序，命名為map.py：
#!/usr/local/bin/python
import sys #導入sys包
for line in sys.stdin: #從標準輸入中讀取數據
ss = line.strip().split( )#讀取每一行數據，strip()函數過濾掉空格換行的字元，split( )分隔出每個額單詞並存放在數組ss中
for s in ss: #讀取數組ss中的每個單詞
if s.strip() != "":
print "%s %s" % (s, 1)#構造以單詞為key，1為value的鍵值對，並寫入到標準輸出中。
實現了reduce函數的python程序，命名為reduce.py:
import sys
cur_word = None
sum = 0
for line in sys.stdin:
ss = line.strip().split( )#從標準輸入中讀取數據。
if len(ss) != 2:
continue
word,cnt = ss
if cur_word == None:
cur_word = word
#因為從map流轉到reduce的數據時按照key排好序的，cur_word記錄的是上一個單詞，word記
#錄的是當前讀取的單詞，如果兩個單詞一致，則將sum+1，否則將word和sum值組成一個鍵值對，
##寫入到標準輸出，同時sum賦值為0，並且將word賦值給cur_word變數。
if cur_word != word:
print .join([cur_word,str(sum)])
cur_word = word
sum = 0
sum += int(cnt)
print .join([cur_word,str(sum)])
map和reduce程序=已經編寫完畢，下面編寫shell腳本文件：
HADOOP_CMD="/usr/local/src/hadoop-2.6.1/bin/hadoop"
STREAM_JAR_PATH="/usr/local/src/hadoop-2.6.1/share/hadoop/tools/lib/hadoop-streaming-2.6.1.jar "
INPUT_FILE_PATH_1="/data/english.txt"#輸入路徑
OUTPUT_PATH="/wordcount_output"#輸出路徑
$HADOOP_CMD fs -rmr -skipTrash $OUTPUT_PATH#每次執行時都刪除輸出路徑，否則會出錯
$HADOOP_CMD jar $STREAM_JAR_PATH
-input $INPUT_FILE_PATH_1 #指定輸入路徑
-output $OUTPUT_PATH #指定輸出路徑
-mapper "python map.py" #指定要執行的map程序
-reducer "python reduce.py" #指定要執行reduce程序
-file ./map.py #指定map程序所在的位置
-file ./reduce.py#指定reduce程序所在的位置
至此，使用Java和Python編寫第一個Hadoop MapReduce程序已經全部搞定，如果有對的地方歡迎指正。
推薦閱讀：
