MapRecuce 词频统计案例

文章目录

初探MapReduce

一、MapReduce核心思想

1. MapReduce的核心思想是“分而治之”。所谓“分而治之”就是把一个复杂的问题，按照一定的“分解”方法分为等价的规模较小的若干部分，然后逐个解决，分别找出各部分的结果，把各部分的结果组成整个问题的结果，这种思想来源于日常生活与工作时的经验，同样也完全适合技术领域。
2. MapReduce作为一种分布式计算模型，它主要用于解决海量数据的计算问题。使用MapReduce操作海量数据时，每个MapReduce程序被初始化为一个工作任务，每个工作任务可以分为Map和Reduce两个阶段。

二、MapReduce编程实例-词频统计思路

1、map阶段(映射)

输入键值对=>输出键值对

2、reduce阶段(归并阶段)

三、词频统计编程实现

启动hadoop任务，输入命令：start-all.sh

1、准备数据文件

在linux虚拟机上，创建一个文本文件，存放需要的数据

2、将文件上传到hdfs指定路径

首先在hdfs上创建

/wordcount

目录
输入命令：

hdfs dfs -mkdir /wordcount

然后将刚刚创建的words.txt文件，上传到这个目录下

在webUI界面上进行查看

3、在java里创建词频统计映射器类

创建

hsl.aex.mr

包，在包里创建

WordCountMappe

r类
为了更好理解Mapper类的作用，在map()函数里暂时不进行每行文本分词处理，直接利用context输出key和value

packagehsl.aex.mr;importorg.apache.hadoop.io.LongWritable;importorg.apache.hadoop.io.Text;importorg.apache.hadoop.mapreduce.Mapper;importjava.io.IOException;publicclassWordCountMapperextendsMapper<LongWritable,Text,LongWritable,Text>{@Overrideprotectedvoidmap(LongWritable key,Text value,Context context)throwsIOException,InterruptedException{// 直接将键值对数据传到下一个阶段
        context.write(key, value);}}

Mapper<泛型参数1, 泛型参数2, 泛型参数3, 泛型参数4>参数说明

注意：MR应用，必须有映射器（Mapper），但是归并器（Reducer）可有可无

4、创建词频统计驱动类

在

hsl.aex.mr

包里创建

WordCountDriver

类

packagehsl.aex.mr;importorg.apache.hadoop.conf.Configuration;importorg.apache.hadoop.fs.FSDataInputStream;importorg.apache.hadoop.fs.FileStatus;importorg.apache.hadoop.fs.FileSystem;importorg.apache.hadoop.fs.Path;importorg.apache.hadoop.io.IOUtils;importorg.apache.hadoop.io.LongWritable;importorg.apache.hadoop.io.Text;importorg.apache.hadoop.mapreduce.Job;importorg.apache.hadoop.mapreduce.lib.input.FileInputFormat;importorg.apache.hadoop.mapreduce.lib.output.FileOutputFormat;importjava.net.URI;publicclassWordCountDriver{publicstaticvoidmain(String[] args)throwsException{// 创建配置对象Configuration conf =newConfiguration();// 设置数据节点主机名属性
        conf.set("dfs.client.use.datanode.hostname","true");// 获取作业实例Job job =Job.getInstance(conf);// 设置作业启动类
        job.setJarByClass(WordCountDriver.class);// 设置Mapper类
        job.setMapperClass(WordCountMapper.class);// 设置map任务输出键类型
        job.setMapOutputKeyClass(LongWritable.class);// 设置map任务输出值类型
        job.setMapOutputValueClass(Text.class);// 定义uri字符串String uri ="hdfs://master:9000";// 创建输入目录Path inputPath =newPath(uri +"/wordcount/input/words.txt");// 创建输出目录Path outputPath =newPath(uri +"/wordcount/output");// 获取文件系统FileSystem fs =FileSystem.get(newURI(uri), conf);// 删除输出目录（第二个参数设置是否递归）
        fs.delete(outputPath,true);// 给作业添加输入目录（允许多个）FileInputFormat.addInputPath(job, inputPath);// 给作业设置输出目录（只能一个）FileOutputFormat.setOutputPath(job, outputPath);// 等待作业完成
        job.waitForCompletion(true);// 输出统计结果System.out.println("======统计结果======");FileStatus[] fileStatuses = fs.listStatus(outputPath);for(int i =1; i < fileStatuses.length; i++){// 输出结果文件路径System.out.println(fileStatuses[i].getPath());// 获取文件系统数据字节输入流FSDataInputStream in = fs.open(fileStatuses[i].getPath());// 将结果文件显示在控制台IOUtils.copyBytes(in,System.out,4096,false);}}}

注意导入包不要导入错了

5、运行词频统计驱动类，查看结果

结果出来是这个样子，当然可能会出现很多的问题，需要具体的解决

如果不想看到统计结果之前的大堆信息，可以修改

log4j.properties

文件，将

INFO

改为

ERROR

行首数字，表示每行起始位置在整个文件的偏移量（offset）。

1、第一行：hello hadoop world\n 16个字母，2个空格，1个转义字符，总共19个字符，因此，第二行起始位置在整个文件的偏移量就是19。

2、第二行：hello hive world\n 14个字母，2个空格，1个转义字符，总共17个字符，因此，第三行起始位置在整个文件的偏移量就是19 + 16 = 36。
/3、第三行：hello hbase world\n 15个字母，2个空格，1个转义字符，总共18个字符，因此，第三行起始位置在整个文件的偏移量就是19 + 16 + 18 = 54。

4、第四行：hadoop hive hbase\n 15个字母，2个空格，1个转义字符，总共18个字符，因此，第三行起始位置在整个文件的偏移量就是19 + 16 + 18 + 18 = 72。
在webUI界面上，查看结果文件

6、修改词频统计映射类

行首数字对于我们做单词统计没有任何用处，只需要拿到每一行内容，按空格拆分成单词，每个单词计数1，因此，WordCoutMapper的输出应该是单词和个数，于是，输出键类型为Text，输出值类型为IntWritable。
将每行按空格拆分成单词数组，输出<单词, 1>的键值对

packagehsl.aex.mr;importorg.apache.hadoop.io.IntWritable;importorg.apache.hadoop.io.LongWritable;importorg.apache.hadoop.io.Text;importorg.apache.hadoop.mapreduce.Mapper;importjava.io.IOException;publicclassWordCountMapperextendsMapper<LongWritable,Text,Text,IntWritable>{@Overrideprotectedvoidmap(LongWritable key,Text value,Context context)throwsIOException,InterruptedException{// 获取行内容String line = value.toString();// 按空格拆分得到单词数组String[] words = line.split(" ");//regex正则表达式// 遍历单词数组，生成输出键值对for(int i =0; i < words.length; i++){
            context.write(newText(words[i]),newIntWritable(1));}}}

• 由于WordCountMapper的输出键值类型发生变化，所以必须告诉WordCountDriver

7、修改词频统计驱动器类

修改map任务输出键值类型 主要修改下面这两个

8、启动词频统计驱动器类，查看结果

观察输出结果，map阶段会按键排序输出

对于这样一组键值对，我们需要Reducer组件来进行归并处理，结果如下所示

Java数据类型与Hadoop数据类型对应关系

了解map阶段的输出值（reduce阶段的输入值）是一个迭代器
WordCountReducer类和WordCountDriver类

9、创建词频统计归并器类

1、一个类继承Reducer，变成一个Reducer组件类

2、Reducer组件会接收Mapper组件的输出结果

3、第一个泛型对应的是Mapper输出key类型

4、第二个泛型对应的是Mapper输出value类型

5、第三个泛型和第四个泛型是Reducer的输出key类型和输出value类型

6、Reducer组件不能单独存在，但是Mapper组件可以单独存在

7、当引入Reducer组件后，输出结果文件内容就是Reducer的输出key和输出value
在

hsl.aex.mr

包里创建

WordCountReducer

类

packagehsl.aex.mr;importorg.apache.hadoop.io.IntWritable;importorg.apache.hadoop.io.Text;importorg.apache.hadoop.mapreduce.Reducer;importjava.io.IOException;publicclassWordCountReducerextendsReducer<Text,IntWritable,Text,IntWritable>{@Overrideprotectedvoidreduce(Text key,Iterable<IntWritable> values,Context context)throwsIOException,InterruptedException{// 定义输出键出现次数int count =0;// 遍历输出值迭代对象，统计其出现次数for(IntWritable value : values){
            count = count + value.get();}// 生成键值对输出
        context.write(key,newIntWritable(count));}}

由于引入了词频统计归并器，必须在词频统计驱动器类里进行设置

10、修改词频统计驱动器类

设置

WordCountDriver

，并且设置归并任务的输出键值类型

11、启动词频统计驱动器类，查看结果

统计出每个单词出现的次数

12、采用多个Reduce做合并

相同key的键值对必须发送同一分区

（一个Reduce任务对应一个分区，然后会生成对应的一个结果文件，有多少个

Reduce

任务，就会有多少个分区，最终就会产生多少个结果文件），否则同一个

key

最终会出现在不同的结果文件中，那显然不是我们希望看到的结果。

只需要增加一行代码

运行程序，查看结果

在webUI界面上进行查看 有三个结果文件，因为分了三个区

四、解决问题

错误：Did not find winutils.exe
运行

WordCountDriver

类，报错找不到

winutils.exe

文件

首先下载一个hadoop放在D盘下，下载对应版本的

winutils.exe

和

hadoop.dll

这两个插件放在hadoop安装目录的bin子目录里


然后放进去了，还要配置环境变量，系统变量下配置这两个，HADOOP_HOME 的值是，

还有这个Path 吧HADOOP_HOME放进去


然后配置好之后，将电脑进行重启，然后重新运行程序就好了
知识点学习

（1）MR框架有两个核心组件，分别是Mapper组件和Reducer组件
（2）写一个类，继承Mapper，则变成了一个Mapper组件类
（3）LongWritable，Text（String)，IntWritable，NullWritable都是Hadoop序列化类型
（4）Mapper组件将每行的行首偏移量，作为输入key，通过map()传给程序员
（5）Mapper组件会将每行内容，作为输入value，通过map()传给程序员，重点是获取输入value
（6）Mapper的第一个泛型类型对应的是输入key的类型，第二个泛型类型对应的输入value（在初学阶段，第一个和第二个类型写死）
（7）MR框架所处理的文件必须是在HDFS上的
（8）map()被调用几次，取决于文件的行数
（9）通过context进行结果的输出，以输出key和输出value的形式来输出
（10）输出key是由第三个泛型类型决定，输出value是由第四个泛型类型决定
（11）输出结果文件的数据以及行数取决于context.write
（12）Text=>String:  value.toString()
（13）String=>Text:newText(string var)
（14）LongWritable=>long:  key.get()
（15）long=>LongWritable:newLongWritable(longvar)