Hadoop-0.20学习笔记（3）

本次记录Hadoop的MapReduce的java编程方法

MapReduce

MapReduce本质上是Devide and parallel conquer

执行过程见google mapreduce论文3.1节。

输入数据集的划分是分布式文件系统的事情。

MapReduce处理的是并行任务的调度和执行流程。

开发者负责数据集的处理算法+结果的归并算法。

结果数据集的存储还是分布式文件系统的事情。

 

上面的图有点混淆，好像MapReduce是作为一个平台运行的，实际情况并不是这样。

目前MapReduce的实现为lib，本质是一种框架，用户程序必须包含MapReduce和文件系统的lib。

Hadoop的MapReduce的实现也是lib，这适合Java语言本身的特点，可以想象执行过程一层一层的调用下去。

 

WordCount

先学习一下最简单的代码WordCount。

在看代码之前，想想自己设计一个在N台机器上实现并行单词计数算法，作为本次学习的出发点。

1. 输入集划分为N份，{1，2，……，x，……，N}
2. 每台机器获得1份输入，分别并行计算x中的单词计数
3. 计算结果归并为一个结果，使用排序或者Hash合并相同的单词，累加各个计数和，得到最终该单词的计数。

package org.apache.hadoop.examples;

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 class WordCount {

  public static class TokenizerMapper
       extends Mapper<Object, Text, Text, IntWritable>{

    private final static IntWritable one = new IntWritable(1);
    private Text word = new Text();

    public void map(Object key, Text value, Context context
                    ) throws IOException, InterruptedException {
      StringTokenizer itr = new StringTokenizer(value.toString());
      while (itr.hasMoreTokens()) {
        word.set(itr.nextToken());
        context.write(word, one);
      }
    }
  }

  public static class IntSumReducer
       extends Reducer<Text,IntWritable,Text,IntWritable> {
    private IntWritable result = new IntWritable();

    public void reduce(Text key, Iterable<IntWritable> values,
                       Context context
                       ) throws IOException, InterruptedException {
      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  ");
      System.exit(2);
    }
    Job job = new Job(conf, "word count");
    job.setJarByClass(WordCount.class);
    job.setMapperClass(TokenizerMapper.class);
    job.setCombinerClass(IntSumReducer.class);
    job.setReducerClass(IntSumReducer.class);
    job.setOutputKeyClass(Text.class);
    job.setOutputValueClass(IntWritable.class);
    FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
    FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
    System.exit(job.waitForCompletion(true) ? 0 : 1);
  }
}

Mapper

Class Mapper

实现从处理初始输入得到中间结果。

  public static class TokenizerMapper
       extends Mapper<Object, Text, Text, IntWritable>{

    private final static IntWritable one = new IntWritable(1);
    private Text word = new Text();

    public void map(Object key, Text value, Context context
                    ) throws IOException, InterruptedException {
      StringTokenizer itr = new StringTokenizer(value.toString());
      while (itr.hasMoreTokens()) {
        word.set(itr.nextToken());
        context.write(word, one);
      }
    }
  }