Hadoop?MapReduce實現(xiàn)單詞計數(shù)(Word?Count)
1.Map與Reduce過程
1.1 Map過程
首先，Hadoop會把輸入數(shù)據(jù)劃分成等長的輸入分片(input split) 或分片發(fā)送到MapReduce。Hadoop為每個分片創(chuàng)建一個map任務(wù)，由它來運行用戶自定義的map函數(shù)以分析每個分片中的記錄。在我們的單詞計數(shù)例子中，輸入是多個文件，一般一個文件對應(yīng)一個分片，如果文件太大則會劃分為多個分片。map函數(shù)的輸入以<key, value>形式做為輸入，value為文件的每一行，key為該行在文件中的偏移量(一般我們會忽視)。這里map函數(shù)起到的作用為將每一行進行分詞為多個word，并在context中寫入<word, 1>以代表該單詞出現(xiàn)一次。
map過程的示意圖如下：
mapper代碼編寫如下：
public static class TokenizerMapper
extends Mapper<Object, Text, Text, IntWritable> {
private final static IntWritable one = new IntWritable(1);
private Text word = new Text();
public void map(Object key, Text value, Context context) throws IOException, InterruptedException {
//每次處理一行，一個mapper里的value為一行,key為該行在文件中的偏移量
StringTokenizer iter = new StringTokenizer(value.toString());
while (iter.hasMoreTokens()) {
word.set(iter.nextToken());
// 向context中寫入<word, 1>
context.write(word, one);
System.out.println(word);
}
}
}如果我們能夠并行處理分片（不一定是完全并行），且分片是小塊的數(shù)據(jù)，那么處理過程將會有一個好的負載平衡。但是如果分片太小，那么管理分片與map任務(wù)創(chuàng)建將會耗費太多時間。對于大多數(shù)作業(yè)，理想分片大小為一個HDFS塊的大小，默認是64MB。
map任務(wù)的執(zhí)行節(jié)點和輸入數(shù)據(jù)的存儲節(jié)點相同時，Hadoop的性能能達到最佳，這就是計算機系統(tǒng)中所謂的data locality optimization（數(shù)據(jù)局部性優(yōu)化）。而最佳分片大小與塊大小相同的原因就在于，它能夠保證一個分片存儲在單個節(jié)點上，再大就不能了。
1.2 Reduce過程
接下來我們看reducer的編寫。reduce任務(wù)的多少并不是由輸入大小來決定，而是需要人工單獨指定的（默認為1個）。和上面map不同的是，reduce任務(wù)不再具有本地讀取的優(yōu)勢————一個reduce任務(wù)的輸入往往來自于所有mapper的輸出，因此map和reduce之間的數(shù)據(jù)流被稱為 shuffle(洗牌) 。Hadoop會先按照key-value對進行排序，然后將排序好的map的輸出通過網(wǎng)絡(luò)傳輸?shù)絩educe任務(wù)運行的節(jié)點，并在那里進行合并，然后傳遞到用戶定義的reduce函數(shù)中。
reduce 函數(shù)示意圖如下：
reducer代碼編寫如下：
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);
}
}2.完整代碼
2.1 項目架構(gòu)
關(guān)于VSCode+Java+Maven+Hadoop開發(fā)環(huán)境搭建，可以參見我的博客《VSCode+Maven+Hadoop開發(fā)環(huán)境搭建》，此處不再贅述。這里展示我們的項目架構(gòu)如下：
Word-Count-Hadoop
├─ input
│ ├─ file1
│ ├─ file2
│ └─ file3
├─ output
├─ pom.xml
├─ src
│ └─ main
│ └─ java
│ └─ WordCount.java
└─ target
WordCount.java代碼如下：
import java.io.IOException;
import java.util.StringTokenizer;
import org.apache.hadoop.fs.FileSystem;
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<Object, Text, Text, IntWritable> {
private final static IntWritable one = new IntWritable(1);
private Text word = new Text();
public void map(Object key, Text value, Context context) throws IOException, InterruptedException {
//每次處理一行，一個mapper里的value為一行,key為該行在文件中的偏移量
StringTokenizer iter = new StringTokenizer(value.toString());
while (iter.hasMoreTokens()) {
word.set(iter.nextToken());
// 向context中寫入<word, 1>
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{
Configuration conf = new Configuration();
Job job = Job.getInstance(conf, "word_count");
job.setJarByClass(WordCount.class);
job.setMapperClass(TokenizerMapper.class);
//此處的Combine操作意為即第每個mapper工作完了先局部reduce一下，最后再全局reduce
job.setCombinerClass(IntSumReducer.class);
job.setReducerClass(IntSumReducer.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
//第0個參數(shù)是輸入目錄，第1個參數(shù)是輸出目錄
//先判斷output path是否存在，如果存在則刪除
Path path = new Path(args[1]);//
FileSystem fileSystem = path.getFileSystem(conf);
if (fileSystem.exists(path)) {
fileSystem.delete(path, true);
}
//設(shè)置輸入目錄和輸出目錄
FileInputFormat.addInputPath(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
System.exit(job.waitForCompletion(true)?0:1);
}
}
pom.xml中記得配置Hadoop的依賴環(huán)境：
...
<!-- 集中定義版本號 -->
<properties>
<project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
<maven.compiler.source>17</maven.compiler.source>
<maven.compiler.target>17</maven.compiler.target>
<hadoop.version>3.3.1</hadoop.version>
</properties>
<dependencies>
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>4.11</version>
<scope>test</scope>
</dependency>
<!-- 導(dǎo)入hadoop依賴環(huán)境 -->
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-common</artifactId>
<version>${hadoop.version}</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-hdfs</artifactId>
<version>${hadoop.version}</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-mapreduce-client-core</artifactId>
<version>${hadoop.version}</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>${hadoop.version}</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-yarn-api</artifactId>
<version>${hadoop.version}</version>
</dependency>
</dependencies>
...
</project>此外，因為我們的程序自帶輸入?yún)?shù)，我們還需要在VSCode的launch.json中配置輸入?yún)?shù)intput(代表輸入目錄)和output（代表輸出目錄）:
...
"args": [
"input",
"output"
],
...編譯運行完畢后，可以查看output文件夾下的part-r-00000文件：
David 1
Goodbye 1
Hello 3
Tom 1
World 2
可見我們的程序正確地完成了單詞計數(shù)的功能。
以上就是Hadoop MapReduce實現(xiàn)單詞計數(shù)(Word Count)的詳細內(nèi)容，更多關(guān)于Hadoop MapReduce的資料請關(guān)注腳本之家其它相關(guān)文章！
相關(guān)文章
在Java當中synchronized關(guān)鍵字通常是用來標記一個方法或者代碼塊。本文將通過示例為大家詳細介紹一下Synchronized的各種使用方法，需要的可以參考一下2022-08-08
Java 中HashSet是一個不保證元素順序的集合類,其內(nèi)部是基于 HashMap 實現(xiàn)的,HashSet不支持排序,我們在需要對HashSet 排序時,必須將其轉(zhuǎn)換為支持排序的集合或數(shù)據(jù)結(jié)構(gòu),如 List,本文將詳細介紹在 Java 8 中如何對 HashSet 中的元素進行排序,感興趣的朋友一起看看吧2024-11-11
java 數(shù)據(jù)結(jié)構(gòu)與算法 (快速排序法)
這篇文章主要介紹了java 數(shù)據(jù)結(jié)構(gòu)與算法(快速排序法),，快速排序法是實踐中的一種快速的排序算法，在c++或?qū)ava基本類型的排序中特別有用,下面我們一起進入文章學(xué)習(xí)更詳細的內(nèi)容吧,需要的朋友可以參考下2022-02-02
線程等待和喚醒有三種實現(xiàn)方法,分別是Object類中的wait、notify,Condition類中的await、signal,LockSupport類中的park、unpark方法,感興趣的可以了解一下2023-10-10
工廠模式（Factory Pattern）是Java中最常用的設(shè)計模式之一。這種類型的設(shè)計模式屬于創(chuàng)建型模式，它提供了一種創(chuàng)建對象的最佳方式。本文將通過案例詳細講解一下工廠模式，需要的可以參考一下2022-02-02
ThreadLocal數(shù)據(jù)存儲結(jié)構(gòu)原理解析
這篇文章主要為大家介紹了ThreadLocal數(shù)據(jù)存儲結(jié)構(gòu)原理解析，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪2022-10-10
Java語言為字符串連接運算符(+)提供特殊支持,并為其他對象轉(zhuǎn)換為字符串,字符串連接是通過StringBuilder(或StringBuffer)類及其append方法實現(xiàn)的,這篇文章主要給大家介紹了關(guān)于Java中Stringbuilder和正則表達式的相關(guān)資料,需要的朋友可以參考下2024-02-02
這篇文章主要介紹了Java的反射機制之獲取class詳解,Class類表示一個類或接口的元數(shù)據(jù),通過它可以獲取到類或接口的構(gòu)造函數(shù)、方法、字段、注解等信息,也能夠創(chuàng)建對象、調(diào)用方法等,需要的朋友可以參考下2023-09-09
spring boot動態(tài)切換數(shù)據(jù)源的實現(xiàn)
這篇文章主要介紹了spring boot動態(tài)切換數(shù)據(jù)源的實現(xiàn)，文中通過示例代碼介紹的非常詳細，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2021-01-01
這篇文章主要介紹了Spring如何自定義加載配置文件(分層次加載)問題，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2023-07-07