Hadoop世界中的HelloWorld之WordCount具体分析

liuhongyu

import java.io.IOException;　　

import java.util.StringTokenizer;　　

　　
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;
　　
import org.apache.hadoop.util.GenericOptionsParser;
　　


　　
public>　　


　　
     public static>　　

　　
         private final static IntWritable one = new IntWritable(1);// 初始的单词都是1次，即使重复
　　
         private Text word = new Text();// word表示单词
　　
         /*
　　
          * 重写map方法，读取初试划分的每一个键值对，即行偏移量和一行字符串，key为偏移量，value为该行字符串
　　
          */
　　

　　
         public void map(Object key, Text value, Context context) throws IOException, InterruptedException {
　　
             /*
　　
              * 因为每一行就是一个spilt，并会为之生成一个mapper，所以我们的参数，key就是偏移量，value就是一行字符串
　　
              */
　　
             StringTokenizer itr = new StringTokenizer(value.toString());// value是一行的字符串，这里将其切割成多个单词
　　
             while (itr.hasMoreTokens()) {// 多个单词
　　
                 word.set(itr.nextToken());// 每个word
　　
                 context.write(word, one);// one代表1，最开始每个单词都是1次，context直接将<word,1>写到本地磁盘上
　　
                 // write函数直接将两个参数封装成<key,value>
　　
             }
　　
         }
　　
     }
　　


　　
     public static>　　
         private IntWritable result = new IntWritable();
　　

　　
         /*
　　
          * 重写reduce函数，key为单词，values是reducer从多个mapper中得到数据后进行排序并将相同key组
　　
          * 合成<key.list<V>>中的list<V>，也就是说明排序这些工作都是mapper和reducer自己去做的，
　　
          * 我们只需要专注与在map和reduce函数中处理排序处理后的结果
　　
          */
　　
         public void reduce(Text key, Iterable<IntWritable> values, Context context)
　　
                 throws IOException, InterruptedException {
　　
             /*
　　
              * 因为在同一个spilt对应的mapper中，会将其进行combine，使得其中单词（key）不重复，然后将这些键值对按照
　　
              * hash函数分配给对应的reducer，reducer进行排序，和组合成list，然后再调用的用户自定义的这个函数，
　　
              * 所以有values
　　
              * 这一Iterable对象，说明，这个reducer排序后有多少个键值对，就会有多少次调用这个算法，每一次都会进行写，
　　
              * 并且key在整个 并行的多个节点中是唯一的
　　
              *
　　
              */
　　
             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();
　　
         String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
　　
         if (otherArgs.length < 2) {
　　
             System.err.println("Usage: wordcount <in> [<in>...] <out>");
　　
             System.exit(2);
　　
         }
　　
         @SuppressWarnings("deprecation")
　　
         Job job = new Job(conf, "word count");
　　
         job.setJarByClass(WordCount.class);// 本次作业的job
　　
         job.setMapperClass(TokenizerMapper.class);// map函数
　　
         job.setCombinerClass(IntSumReducer.class);// combine的实现个reduce函数一样，都是将相同的单词组合成一个键值对
　　
         job.setReducerClass(IntSumReducer.class);// reduce函数
　　
         job.setOutputKeyClass(Text.class);// 键key的类型，
　　
         job.setOutputValueClass(IntWritable.class);// value的类型
　　
         for (int i = 0; i < otherArgs.length - 1; ++i) {
　　
             FileInputFormat.addInputPath(job, new Path(otherArgs));//输入输出参数的获取，说明可以是多个输入文件
　　
         }
　　
         FileOutputFormat.setOutputPath(job, new Path(otherArgs[otherArgs.length - 1]));//参数的最后一个是输出文件
　　
         System.exit(job.waitForCompletion(true) ? 0 : 1);
　　
     }
　　
}