Hadoop MapReduce编程 API入门系列之wordcount版本1（五）

网络浪子

1 package com.dajiangtai.Hadoop.MapReduce;　　

  2　　
  3
　　
  4 import java.io.IOException;
　　
  5 import java.util.StringTokenizer;
　　
  6
　　
  7 import org.apache.hadoop.conf.Configuration;
　　
  8 import org.apache.hadoop.fs.FileSystem;
　　
  9 import org.apache.hadoop.fs.Path;
　　
10 import org.apache.hadoop.io.IntWritable;
　　
11 import org.apache.hadoop.io.Text;
　　
12 import org.apache.hadoop.mapreduce.Job;
　　
13 import org.apache.hadoop.mapreduce.Mapper;
　　
14 import org.apache.hadoop.mapreduce.Reducer;
　　
15 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
　　
16 import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
　　
17 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
　　
18 import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
　　
19
　　
20
　　
21 @SuppressWarnings("unused")

　　
22 public>　　
23

　　
24     public static>　　
25             Mapper<Object, Text, Text, IntWritable>
　　
26 //            为什么这里k1要用Object、Text、IntWritable等，而不是java的string啊、int啊类型，当然，你可以用其他的，这样用的好处是，因为它里面实现了序列化和反序列化。
　　
27 //            可以让在节点间传输和通信效率更高。这就为什么hadoop本身的机制类型的诞生。
　　
28     
　　
29     
　　
30             //这个Mapper类是一个泛型类型，它有四个形参类型，分别指定map函数的输入键、输入值、输出键、输出值的类型。hadoop没有直接使用Java内嵌的类型，而是自己开发了一套可以优化网络序列化传输的基本类型。这些类型都在org.apache.hadoop.io包中。
　　
31             //比如这个例子中的Object类型，适用于字段需要使用多种类型的时候，Text类型相当于Java中的String类型，IntWritable类型相当于Java中的Integer类型
　　
32             {
　　
33             //定义两个变量或者说是定义两个对象，叫法都可以
　　
34         private final static IntWritable one = new IntWritable(1);//这个1表示每个单词出现一次，map的输出value就是1.
　　
35                                     //因为，v1是单词出现次数，直接对one赋值为1
　　
36         private Text word = new Text();
　　
37         
　　
38         public void map(Object key, Text value, Context context)
　　
39         //context它是mapper的一个内部类，简单的说顶级接口是为了在map或是reduce任务中跟踪task的状态，很自然的MapContext就是记录了map执行的上下文，在mapper类中，这个context可以存储一些job conf的信息，比如job运行时参数等，我们可以在map函数中处理这个信息，这也是Hadoop中参数传递中一个很经典的例子，同时context作为了map和reduce执行中各个函数的一个桥梁，这个设计和Java web中的session对象、application对象很相似
　　
40         //简单的说context对象保存了作业运行的上下文信息，比如：作业配置信息、InputSplit信息、任务ID等
　　
41         //我们这里最直观的就是主要用到context的write方法。
　　
42         //说白了，context起到的是连接map和reduce的桥梁。起到上下文的作用！
　　
43         
　　
44                 throws IOException, InterruptedException {
　　
45             //The tokenizer uses the default delimiter set, which is " \t\n\r": the space character, the tab character, the newline character, the carriage-return character
　　
46             StringTokenizer itr = new StringTokenizer(value.toString());//将Text类型的value转化成字符串类型
　　
47             //StringTokenizer是字符串分隔解析类型,StringTokenizer 用来分割字符串，你可以指定分隔符，比如','，或者空格之类的字符。
　　
48            
　　
49            
　　
50             //使用StringTokenizer类将字符串“hello,java,delphi,asp,PHP”分解为三个单词
　　
51 //            程序的运行结果为:
　　
52 //                  hello
　　
53 //                  java
　　
54 //                  delphi
　　
55 //                  asp
　　
56 //
　　
57 //                  php
　　
58            
　　
59            
　　
60             while (itr.hasMoreTokens()) {//hasMoreTokens() 方法是用来测试是否有此标记生成器的字符串可用更多的标记。
　　
61 //                实际上就是java.util.StringTokenizer.hasMoreTokens()
　　
62 //                hasMoreTokens() 方法是用来测试是否有此标记生成器的字符串可用更多的标记。
　　
63                 //java.util.StringTokenizer.hasMoreTokens()
　　
64                 
　　
65                 
　　
66                 word.set(itr.nextToken());//nextToken()这是 StringTokenizer 类下的一个方法,nextToken() 用于返回下一个匹配的字段。
　　
67                 context.write(word, one);
　　
68             }
　　
69         }
　　
70     }
　　
71
　　
72     
　　
73
　　
74     

　　
75     public static>　　
76             Reducer<Text, IntWritable, Text, IntWritable> {
　　
77         private IntWritable result = new IntWritable();
　　
78         public void reduce(Text key, Iterable<IntWritable> values,
　　
79                 Context context) throws IOException, InterruptedException {
　　
80             //我们这里最直观的就是主要用到context的write方法。
　　
81             //说白了，context起到的是连接map和reduce的桥梁。起到上下文的作用！
　　
82            
　　
83             int sum = 0;
　　
84             for (IntWritable val : values) {//叫做增强的for循环，也叫for星型循环
　　
85                 sum += val.get();
　　
86             }
　　
87             result.set(sum);
　　
88             context.write(key, result);
　　
89         }
　　
90     }
　　
91
　　
92     public static void main(String[] args) throws Exception {
　　
93         Configuration conf = new Configuration();//程序里，只需写这么一句话，就会加载到hadoop的配置文件了
　　
94         //Configuration类代表作业的配置，该类会加载mapred-site.xml、hdfs-site.xml、core-site.xml等配置文件。
　　
95         //删除已经存在的输出目录
　　
96         Path mypath = new Path("hdfs://djt002:9000/outData/wordcount");//输出路径
　　
97         FileSystem hdfs = mypath.getFileSystem(conf);//程序里，只需写这么一句话，就可以获取到文件系统了。
　　
98                     //FileSystem里面包括很多系统，不局限于hdfs，是因为，程序读到conf，哦，原来是hadoop集群啊。这时，才认知到是hdfs
　　
99         
　　
100         //如果文件系统中存在这个输出路径，则删除掉，保证输出目录不能提前存在。
　　
101         if (hdfs.isDirectory(mypath)) {
　　
102             hdfs.delete(mypath, true);
　　
103         }
　　
104         
　　
105         //job对象指定了作业执行规范，可以用它来控制整个作业的运行。
　　
106         Job job = Job.getInstance();// new Job(conf, "word count");
　　
107         job.setJarByClass(WordCount.class);//我们在hadoop集群上运行作业的时候，要把代码打包成一个jar文件，然后把这个文件
　　
108         //传到集群上，然后通过命令来执行这个作业，但是命令中不必指定JAR文件的名称，在这条命令中通过job对象的setJarByClass（）
　　
109         //中传递一个主类就行，hadoop会通过这个主类来查找包含它的JAR文件。
　　
110         
　　
111         job.setMapperClass(TokenizerMapper.class);
　　
112         //job.setReducerClass(IntSumReducer.class);
　　
113         job.setCombinerClass(IntSumReducer.class);//Combiner最终不能影响reduce输出的结果
　　
114 //                                这句话要好好理解!!!
　　
115         
　　
116         
　　
117         
　　
118         job.setOutputKeyClass(Text.class);
　　
119         job.setOutputValueClass(IntWritable.class);
　　
120         //一般情况下mapper和reducer的输出的数据类型是一样的，所以我们用上面两条命令就行，如果不一样，我们就可以用下面两条命令单独指定mapper的输出key、value的数据类型
　　
121         //job.setMapOutputKeyClass(Text.class);
　　
122         //job.setMapOutputValueClass(IntWritable.class);
　　
123         //hadoop默认的是TextInputFormat和TextOutputFormat,所以说我们这里可以不用配置。
　　
124         //job.setInputFormatClass(TextInputFormat.class);
　　
125         //job.setOutputFormatClass(TextOutputFormat.class);
　　
126         
　　
127         FileInputFormat.addInputPath(job, new Path(
　　
128                 "hdfs://djt002:9000/inputData/wordcount/wc.txt"));//FileInputFormat.addInputPath（）指定的这个路径可以是单个文件、一个目录或符合特定文件模式的一系列文件。
　　
129         //从方法名称可以看出，可以通过多次调用这个方法来实现多路径的输入。        
　　
130         FileOutputFormat.setOutputPath(job, new Path(
　　
131                 "hdfs://djt002:9000/outData/wordcount"));//只能有一个输出路径，该路径指定的就是reduce函数输出文件的写入目录。
　　
132         //特别注意：输出目录不能提前存在，否则hadoop会报错并拒绝执行作业，这样做的目的是防止数据丢失，因为长时间运行的作业如果结果被意外覆盖掉，那肯定不是我们想要的
　　
133         System.exit(job.waitForCompletion(true) ? 0 : 1);
　　
134         //使用job.waitForCompletion（）提交作业并等待执行完成，该方法返回一个boolean值，表示执行成功或者失败，这个布尔值被转换成程序退出代码0或1，该布尔参数还是一个详细标识，所以作业会把进度写到控制台。
　　
135         //waitForCompletion(）提交作业后，每秒会轮询作业的进度，如果发现和上次报告后有改变，就把进度报告到控制台，作业完成后，如果成功就显示作业计数器，如果失败则把导致作业失败的错误输出到控制台
　　
136     }
　　
137 }
　　
138
　　
139 //TextInputFormat是hadoop默认的输入格式，这个类继承自FileInputFormat,使用这种输入格式，每个文件都会单独作为Map的输入，每行数据都会生成一条记录，每条记录会表示成<key，value>的形式。
　　
140 //key的值是每条数据记录在数据分片中的字节偏移量，数据类型是LongWritable.
　　
141 //value的值为每行的内容，数据类型为Text。
　　
142 //
　　
143 //实际上InputFormat（）是用来生成可供Map处理的<key，value>的。
　　
144 //InputSplit是hadoop中用来把输入数据传送给每个单独的Map(也就是我们常说的一个split对应一个Map),
　　
145 //InputSplit存储的并非数据本身，而是一个分片长度和一个记录数据位置的数组。
　　
146 //生成InputSplit的方法可以通过InputFormat（）来设置。
　　
147 //当数据传给Map时，Map会将输入分片传送给InputFormat（），InputFormat()则调用getRecordReader()生成RecordReader,RecordReader则再通过creatKey()和creatValue()创建可供Map处理的<key，value>对。
　　
148 //
　　
149 //OutputFormat()
　　
150 //默认的输出格式为TextOutputFormat。它和默认输入格式类似，会将每条记录以一行的形式存入文本文件。它的键和值可以是任意形式的，因为程序内部会调用toString()将键和值转化为String类型再输出。