11.WordCount示例编写
任务目的
- 理解 WordCount 示例的业务逻辑
- 掌握 MapReduce Reduce 端编程规范
- 理解 WordCount 示例 Reduce 端的自定义业务逻辑的编写
- 熟记 MapReduce Driver 端编程规范
任务清单
- 任务1：WordCount Reduce 端程序编写
- 任务2：WordCount Driver 端程序编写
详细任务步骤
首先回顾一下 WordCount 示例的业务逻辑：
MapTask 阶段处理每个数据分块的单词统计分析，思路是将每一行文本拆分成一个个的单词，每遇到一个单词则把其转换成一个 key-value 对，比如单词 Car，就转换成<’Car’,1>发送给 ReduceTask 去汇总。
ReduceTask 阶段将接收 MapTask 的结果，按照 key 对 value 做汇总计数。
图1
任务1：WordCount Reduce 端程序编写
回顾 MapReduce Reduce 端编码规范：
1. 用户自定义的 Reducer 需要继承父类 Reducer
2. Reducer 的输入数据类型对应 Mapper 的输出数据类型，也是 KV
3. Reducer 的输出数据是 KV 对的形式（KV 的类型可自定义）
4. Reducer 的业务逻辑写在 reduce() 方法中
5. ReduceTask 进程对每一组相同 k 的<k,v>组调用一次 reduce() 方法
接下来进入 WordCount Reduce 端程序的编写，eclipse 成功连接到 Hadoop 集群后，在 com.hongyaa.mr 包下创建名为 WordCountReducer.java 的类，如下图所示：
图2
首先编写 Reduce 端编程框架，自定义的 WordCountReducer 需要继承父类 Reducer，输入数据和输出数据都是KV 对的形式。具体框架代码如下：
public class WordCountReducer extends Reducer<KEYIN,VALUEIN,KEYOUT,VALUEOUT> {
}
- KEYIN:对应 Mapper 端输出的 KEYOUT，即单个单词，所以是 String，对应 Hadoop 中的 Text
- VALUEIN:对应 Mapper 端输出的 VALUEOUT，即单词的数量，所以是Integer，对应 Hadoop 中的 IntWritable
- KEYOUT:用户自定义逻辑方法返回数据中key的类型，由用户业务逻辑决定，在此WordCount程序中，我们输出的key是单词，所以是String，对应 Hadoop 中的 Text
- VALUEOUT:用户自定义逻辑方法返回数据中value的类型,由用户业务逻辑决定,在此WordCount程序中,我们输出的value是单词的出现的总次数，所以是Integer，对应 Hadoop 中的 IntWritable
将框架中的KV对对应的类型修改完成后的代码如下所示：
public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
}
已知 Reducer 中的业务逻辑写在 reduce() 方法中，在此 reduce()方法中我们需要接收 MapTask 的输出结果，然后按照 key（单词） 对 value（数量1） 做汇总计数。具体代码如下所示：
/**
* <Deer,1><Deer,1><Deer,1><Deer,1><Deer,1>
* <Car,1><Car,1><Car,1><Car,1>
* 框架在Map处理完成之后，将所有key-value对缓存起来，进行分组，然后传递一个组<key,values{}>，调用一次reduce()方法
* <Deer,{1,1,1,1,1,1.....}>
* 入参key，是一组相同单词kv对的key
*/
@Override
protected void reduce(Text key, Iterable<IntWritable> values, Context context)
throws IOException, InterruptedException {
//（1）做每个key（单词）的结果汇总
int sum = 0;
for (IntWritable v : values) {
sum += v.get();
}
//（2）输出每个key（单词）和其对应的总次数
context.write(key, new IntWritable(sum));
}
WordCountReducer.java 的完整代码如下所示：
public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
/**
* <Deer,1><Deer,1><Deer,1><Deer,1><Deer,1>
* <Car,1><Car,1><Car,1><Car,1>
* 框架在Map处理完成之后，将所有key-value对缓存起来，进行分组，然后传递一个组<key,values{}>，调用一次reduce()方法
* <Deer,{1,1,1,1,1,1.....}>
* 入参key，是一组相同单词kv对的key
*/
@Override
protected void reduce(Text key, Iterable<IntWritable> values, Context context)
throws IOException, InterruptedException {
//做每个单词的结果汇总
int sum = 0;
for (IntWritable v : values) {
sum += v.get();
}
//写出最后的结果
context.write(key, new IntWritable(sum));
}
}
任务2：WordCount Driver 端程序编写
回顾 MapReduce Driver 端编码规范：整个程序需要一个 Drvier 来进行提交，提交的是一个描述了各种必要信息的 job 对象。
接下来进入 WordCount Driver 端程序的编写，在 com.hongyaa.mr 包下创建名为 WordCount.java 的类，如下图所示：
图3
Driver 端为该 WordCount 程序运行的入口，相当于 YARN 集群（分配运算资源）的客户端，需要创建一个 Job 类对象来管理 MapReduce 程序运行时需要的相关运行参数，最后将该 Job 类对象提交给 YARN。
Job对象指定作业执行规范，我们可以用它来控制整个作业的运行。接下来，我们分步讲述作业从提交到执行的整个过程。
1. 创建 Job
Job 的创建比较容易，其实就是 new 一个实例，先创建一个配置文件的对象，然后将配置文件对象作为参数，构造一个 Job 对象就可以了。不过new实例的方式已经过时，我们可以使用新的API创建Job。具体代码如下：
// 创建配置文件对象
Configuration conf = new Configuration();
// 新建一个 job 任务
Job job = Job.getInstance(conf);
2. 打包作业
我们在 Hadoop 集群上运行这个作业时，要把代码打包成一个Jar文件，只需要在Job对象的setJarByClass()方法中传递一个类即可，Hadoop会利用这个类来查找包含它的Jar文件，进而找到相关的Jar文件。具体代码如下：
// 将 job 所用到的那些类（class）文件，打成jar包
job.setJarByClass(WordCount.class);
3. 设置各个环节的函数
指定我们自定义的 mapper 类和 reducer 类，通过 Job 对象进行设置，将自定义的函数和具体的作业联系起来。具体代码如下：
// 指定 mapper 类和 reducer 类
job.setMapperClass(WordCountMapper.class);
job.setReducerClass(WordCountReducer.class);
4. 设置输入输出数据类型
分别指定 MapTask 和 ReduceTask 的输出key-value类型。如果 MapTask 的输出的key-value类型与 ReduceTask 的输出key-value类型一致，则可以只指定ReduceTask 的输出key-value类型。具体代码如下：
// 指定 MapTask 的输出key-value类型（可以省略）
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
// 指定 ReduceTask 的输出key-value类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
5. 设置输入输出文件目录
在设置输入输出文件目录时，可以选择使用绝对目录，就是直接在语句中写入目录；也可以使用参数输入，即在运行程序时，再在控制台输入目录。具体代码如下：
// 指定该 mapreduce 程序数据的输入和输出路径，此处输入、输出为固定文件目录
Path inPath=new Path("/wordcount/input");
Path outpath=new Path("/wordcount/output");
FileInputFormat.setInputPaths(job,inPath);
FileOutputFormat.setOutputPath(job, outpath);
// 此处为参数
FileInputFormat.setInputPaths(job,new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
6. 提交并运行作业
单个任务的提交可以直接使用如下语句：
job.waitForCompletion(true);
WordCount.java 的完整代码如下所示：
public class WordCount {
/**
* 该MR程序运行的入口，相当于YARN集群（分配运算资源）的客户端
*/
public static void main(String[] args) throws Exception {
// （1）创建配置文件对象
Configuration conf = new Configuration();
// （2）新建一个 job 任务
Job job = Job.getInstance(conf);
// （3）将 job 所用到的那些类（class）文件，打成jar包 （打成jar包在集群运行必须写）
job.setJarByClass(WordCount.class);
// （4）指定 mapper 类和 reducer 类
job.setMapperClass(WordCountMapper.class);
job.setReducerClass(WordCountReducer.class);
// （5）指定 MapTask 的输出key-value类型（可以省略）
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
// （6）指定 ReduceTask 的输出key-value类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
// （7）指定该 mapreduce 程序数据的输入和输出路径
Path inPath=new Path("/wordcount/input");
Path outpath=new Path("/wordcount/output");
FileSystem fs=FileSystem.get(conf);
if(fs.exists(outpath)){
fs.delete(outpath,true);
}
FileInputFormat.setInputPaths(job,inPath);
FileOutputFormat.setOutputPath(job, outpath);
// （8）最后给YARN来运行，等着集群运行完成返回反馈信息，客户端退出
boolean waitForCompletion = job.waitForCompletion(true);
System.exit(waitForCompletion ? 0 : 1);
}
}