用mapreduce寫wordcount

import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
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;

public class WordCountMR {

    /**
     * 該main方法是該mapreduce程式運作的入口，其中用一個Job類對象來管理程式運作時所需要的很多參數：
     * 比如，指定用哪個元件作為資料讀取器、資料結果輸出器 指定用哪個類作為map階段的業務邏輯類，哪個類作為reduce階段的業務邏輯類
     * 指定wordcount job程式的jar包所在路徑 .... 以及其他各種需要的參數,最後job送出運作
     */
    public static void main(String[] args) throws Exception {
        // 指定mapreduce運作的hdfs相關的參數
        Configuration conf = new Configuration();
        conf.set("fs.defaultFS", "hdfs://hadoop:9000");
        conf.set("mapreduce.application.classpath", System.getProperty("user.dir"));
        //分布式叢集設定
        // conf.set("mapred.jar", System.getProperty("user.dir")+"/WordCount.jar");
        System.setProperty("HADOOP_USER_NAME", "root");
        //設定開發環境變量
        System.setProperty("hadoop.home.dir", "/opt/hadoop-2.7.3/");

        // 設定mapreduce運作模式，這也是預設值
        // conf.set("mapreduce.framework.name", "yarn");
        // conf.set("yarn.resourcemanager.hostname", "hadoop");

        // 擷取job對象
        Job job = Job.getInstance(conf);

        // 設定jar包所在路徑
        job.setJarByClass(WordCountMR.class);
        //job.setMapperClass(WordCountMapper.class);
        //job.setReducerClass(WordCountReducer.class);

        // 指定mapper類和reducer類
        job.setMapperClass(WordCountMapper.class);
        job.setReducerClass(WordCountReducer.class);

        // 指定maptask的輸出key-value類型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);

        // 指定reducetask的輸出key-value類型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);

        // 設定reduceTask的個數
        // job.setNumReduceTasks(3);

        // 本地運作時也可以直接指定本地目錄
        // Path inputPath = new Path("d:/wordcount/input");
        // Path outputPath = new Path("d:/wordcount/output");

        // 指定該mapreduce程式資料的輸入路徑
        Path inputPath = new Path("/tmp/input");
        //FileInputFormat.addInputPath(job, new Path("d:/words/input"));

        // 指定該mapreduce程式資料的輸出路徑
        Path outputPath = new Path("/tmp/output");
        FileSystem fs = FileSystem.get(conf);
        if (fs.exists(outputPath)) {
            fs.delete(outputPath, true);
        }
        FileInputFormat.setInputPaths(job, inputPath);
        FileOutputFormat.setOutputPath(job, outputPath);

        // job.submit();
        // 最後送出任務
        boolean waitForCompletion = job.waitForCompletion(true);
        System.exit(waitForCompletion ?  : );
    }

    /**
     * Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT>
     * 
     * KEYIN：是指架構讀取到的資料的key的類型，在預設的InputFormat下，讀到的key是一行文本的起始偏移量，是以key的類型是Long
     * VALUEIN：是指架構讀取到的資料的value的類型,在預設的InputFormat下，讀到的value是一行文本的内容，是以value的類型是String
     * KEYOUT：是指使用者自定義邏輯方法傳回的資料中key的類型，由使用者業務邏輯決定，在此wordcount程式中，我們輸出的key是單詞，是以是String
     * VALUEOUT：是指使用者自定義邏輯方法傳回的資料中value的類型，由使用者業務邏輯決定,在此wordcount程式中，我們輸出的value是單詞的數量，是以是Integer
     * 
     * 但是，String ，Long等jdk中自帶的資料類型，在序列化時，效率比較低，hadoop為了提高序列化效率，自定義了一套序列化架構
     * 是以，在hadoop的程式中，如果該資料需要進行序列化（寫磁盤，或者網絡傳輸），就一定要用實作了hadoop序列化架構的資料類型
     * 
     * Long ----> LongWritable 
     * String ----> Text 
     * Integer ----> IntWritable 
     * Null ----> NullWritable
     */
    static class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
        @Override
        protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {

            // 按空格切割單詞
            String[] words = value.toString().split(" ");
            for (String word : words) {
                // 發送單詞
                context.write(new Text(word), new IntWritable());
            }
        }
    }

    /**
     * 首先，和前面一樣，Reducer類也有輸入和輸出，輸入就是Map階段的處理結果，輸出就是Reduce最後的輸出
     * reducetask在調我們寫的reduce方法,reducetask應該收到了前一階段（map階段）中所有maptask輸出的資料中的一部分
     * （資料的key.hashcode%reducetask數==本reductask号），是以reducetaks的輸入類型必須和maptask的輸出類型一樣
     * 
     * reducetask将這些收到kv資料拿來處理時，是這樣調用我們的reduce方法的： 先将自己收到的所有的kv對按照k分組（根據k是否相同）
     * 将某一組kv中的第一個kv中的k傳給reduce方法的key變量，把這一組kv中所有的v用一個疊代器傳給reduce方法的變量values
     * 
     * key：key
     * values：該key對應的所有的value值的集合，該架構傳給我們的是該集合的一個疊代器
     */
    static class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
        @Override
        protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {

            // 做每個單詞的結果彙總
            int sum = ;
            for (IntWritable v : values) {
                sum += v.get();
            }
            // 寫出最後的結果
            context.write(key, new IntWritable(sum));
        }
    }
}