MapReduce编程规范及示例编写

1、Mapper类

用户自定义一个Mapper类继承Hadoop的Mapper类
Mapper的输入数据是KV对的形式（类型可以自定义）
Map阶段的业务逻辑定义在map()方法中
Mapper的输出数据是KV对的形式（类型可以自定义）

注意：map()方法是对输入的一个KV对调用一次！！

2、Reducer类

用户自定义Reducer类要继承Hadoop的Reducer类
Reducer的输入数据类型对应Mapper的输出数据类型（KV对）
Reducer的业务逻辑写在reduce()方法中
Reduce()方法是对相同K的一组KV对调用执行一次

3、Driver阶段

创建提交YARN集群运行的Job对象，其中封装了MapReduce程序运行所需要的相关参数入输入数据路径，输出数据路径等，也相当于是一个YARN集群的客户端，主要作用就是提交我们MapReduce程序运行。

4、WordCount代码实现

4.1、需求

在给定的文本文件中统计输出每一个单词出现的总次数
输入数据：wc.txt;
输出：

apache 2
clickhouse 2
hadoop 1
mapreduce 1
spark 2
xiaoming 1

4.2、具体步骤

按照MapReduce编程规范，分别编写Mapper，Reducer，Driver。

（1）新建maven工程

导入hadoop依赖

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd"><modelVersion>4.0.0</modelVersion><groupId>com.lagou</groupId><artifactId>Wordcount</artifactId><version>1.0-SNAPSHOT</version><dependencies><dependency><groupId>org.apache.logging.log4j</groupId><artifactId>log4j-core</artifactId><version>2.8.2</version></dependency><dependency><groupId>org.apache.hadoop</groupId><artifactId>hadoop-common</artifactId><version>2.9.2</version></dependency><dependency><groupId>org.apache.hadoop</groupId><artifactId>hadoop-client</artifactId><version>2.9.2</version></dependency><dependency><groupId>org.apache.hadoop</groupId><artifactId>hadoop-hdfs</artifactId><version>2.9.2</version></dependency></dependencies><build><plugins><plugin><groupId>org.apache.maven.plugins</groupId><artifactId>maven-compiler-plugin</artifactId><version>3.5.1</version><configuration><source>1.8</source><target>1.8</target></configuration></plugin><!--maven打包插件 --><plugin><artifactId>maven-compiler-plugin</artifactId><version>2.3.2</version><configuration><source>1.8</source><target>1.8</target></configuration></plugin><plugin><artifactId>maven-assembly-plugin</artifactId><configuration><descriptorRefs><descriptorRef>jar-with-dependencies</descriptorRef></descriptorRefs></configuration><executions><execution><id>make-assembly</id><phase>package</phase><goals><goal>single</goal></goals></execution></executions></plugin></plugins></build></project>

添加log4j.properties

log4j.rootLogger=INFO, stdout
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/spring.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n

（2）整体思路梳理（仿照源码）

Map阶段：

map()方法中把传入的数据转为String类型
根据空格切分出单词
输出<单词，1>

Reduce阶段：

汇总各个key(单词)的个数，遍历value数据进行累加
输出key的总数

Driver

获取配置文件对象，获取job对象实例
指定程序jar的本地路径
指定Mapper/Reducer类
指定Mapper输出的kv数据类型
指定最终输出的kv数据类型
指定job处理的原始数据路径
指定job输出结果路径
提交作业

（3）编写Mapper类

package com.lagou.mr.wc;import org.apache.hadoop.io.*;
import org.apache.hadoop.mapreduce.Mapper;import java.io.IOException;// 继承Mapper类
// Mapper类的泛型参数共四个，2对kv
/**  第一对kv：map输入参数类型*  第二队kv：map输出参数类型*  LongWritable, Text ->文本偏移量（后面不会用到），一行文本内容*  Text, IntWritable ->单词，1*/
public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {// 重写Mapper类的map方法/*** 1、接收文本内容，转为String类型* 2、按照空格进行拆分* 3、输出<单词, 1>*/// 提升为全局方法，避免每次执行map方法，都执行此操作Text word = new Text();IntWritable one = new IntWritable(1);// LongWritable, Text ->文本偏移量，一行文本内容，map方法的输入参数，一行文本调用一次map方法@Overrideprotected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {// 1、接收文本内容，转为String类型String str = value.toString();// 2、按照空格进行拆分String[] words = str.split(" ");// 3、输出<单词, 1>// 遍历数据for (String s : words) {word.set(s);context.write(word, one);}}
}

继承的Mapper类型选择新版本API：

（4）编写Reducer类

package com.lagou.mr.wc;import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.io.*;import java.io.IOException;// 继承的Reducer类有四个泛型参数 2对kv
// 第一对kv：类型要与Mapper输出类型一致：Text, IntWritable
public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {// 1、重写reduce方法// Text key:map方法输出的key，本案中就是单词，// Iterable<IntWritable> values: 一组key相同的kv的value组成的集合/*** 假设map方法：hello 1; hello 1; hello 1* reduce的key和value是什么* key:hello* values:<1,1,1>* <p>* 假设map方法输出：hello 1, hello 1, hadoop 1, mapreduce 1, hadoop 1* reduce的key和value是什么？* reduce方法何时调用：一组key相同的kv中的value组成集合然后调用一次reduce方法* 第一次：key:hello ,values:<1,1,1>* 第二次：key:hadoop ,values<1,1>* 第三次：key:mapreduce ,values<1>*/IntWritable total = new IntWritable();@Overrideprotected void reduce(Text key, Iterable<IntWritable> values, Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException {// 2、遍历key对应的values，然后累加结果int sum = 0;for (IntWritable value : values) {int i = value.get();sum += 1;}// 3、直接输出当前key对应的sum值，结果就是单词出现的总次数total.set(sum);context.write(key, total);}
}

选择继承的Reducer类

（5） 编写Driver驱动类

package com.lagou.mr.wc;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.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;import java.io.IOException;// 封装任务并提交运行
public class WordCountDriver {public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {/*1. 获取配置文件对象，获取job对象实例2. 指定程序jar的本地路径3. 指定Mapper/Reducer类4. 指定Mapper输出的kv数据类型5. 指定最终输出的kv数据类型6. 指定job处理的原始数据路径7. 指定job输出结果路径8. 提交作业*/// 1. 获取配置文件对象，获取job对象实例Configuration conf = new Configuration();Job job = Job.getInstance(conf, "WordCountDriver");/// jobName可以自定义// 2. 指定程序jar的本地路径job.setJarByClass(WordCountDriver.class);//  3. 指定Mapper/Reducer类job.setMapperClass(WordCountMapper.class);job.setReducerClass(WordCountReducer.class);//  4. 指定Mapper输出的kv数据类型job.setMapOutputKeyClass(Text.class);job.setMapOutputValueClass(IntWritable.class);// 5. 指定最终输出的kv数据类型job.setOutputKeyClass(Text.class);job.setOutputValueClass(IntWritable.class);// 6. 指定job处理的原始数据路径FileInputFormat.setInputPaths(job, new Path(args[0])); // 指定读取数据的原始路径//  7. 指定job输出结果路径FileOutputFormat.setOutputPath(job, new Path(args[1])); // 指定结果数据输出路径//  8. 提交作业boolean flag = job.waitForCompletion(true);// jvm退出：正常退出0，非0值则是错误退出System.exit(flag ? 0 : 1);}
}

运行任务

1、本地模式

直接Idea中运行驱动类即可

idea运行需要传入参数：

选择editconfiguration

在program arguments设置参数

运行时报错 ----> 参见博文org.apache.hadoop.io.nativeio.NativeIO$Windows.access0(Ljava/lang/String；I)Z的解决办法_zhouang770377的博客-CSDN博客

运行结束，去到输出结果路径查看结果

注意本地idea运行mr任务与集群没有任何关系，没有提交任务到yarn集群，是在本地使用多线程方式模拟的mr的运行。

2、Yarn集群模式

把程序打成jar包，改名为wc.jar;上传到Hadoop集群

选择合适的Jar包

准备原始数据文件，上传到HDFS的路径，不能是本地路径，因为跨节点运行无法获取数据！！

启动Hadoop集群（Hdfs,Yarn）

使用Hadoop 命令提交任务运行

hadoop jar wc.jar com.lagou.wordcount.WordcountDriver /user/lagou/input /user/lagou/output

Yarn集群任务运行成功展示图