mapretuce的WordCount例子

MapReduce是Google提出的一种分布式计算模型，被广泛应用于大数据处理领域，尤其是在Apache Hadoop框架下。WordCount是MapReduce的经典入门示例，它用于统计文本中各个单词出现的次数，简单明了地展示了MapReduce的基本工作流程。在这个例子中，我们将深入理解MapReduce的核心概念，包括Mapper、Reducer以及中间结果的Shuffle和Sort过程。 我们需要了解Hadoop MapReduce的工作原理。Hadoop是基于分布式文件系统HDFS构建的大数据处理平台，MapReduce则是其核心的计算框架。它将大型任务分解为小规模的Map任务和Reduce任务，这些任务在多台节点上并行执行，以提高处理效率。 在WordCount案例中，Mapper负责读取输入数据（通常是文本文件），对每一行进行切分，生成键值对<单词，1>。这个过程叫做映射（Mapping）。例如，对于输入字符串"hello world hello"，Mapper会将其转化为键值对<“hello”，1>、<“world”，1>、<“hello”，1>。 接下来是Shuffle阶段，这是MapReduce中的一个重要步骤，它会根据键对进行排序和分区，确保相同键的值会被发送到同一个Reducer。在这个例子中，所有键为“hello”的条目将被聚集在一起，所有键为“world”的条目也是如此。 Reducer接着接收来自Mapper的键值对，并对相同键的所有值进行聚合，也就是求和。在WordCount中，Reducer的任务是计算每个单词的总数。所以，对于键“hello”，Reducer会将所有1相加，得到<“hello”，2>，表示“hello”出现了两次。 完成Reducer的处理后，最终结果会被写回到HDFS上，形成输出文件。用户可以通过查看这些文件来获取每个单词的计数。 在Hadoop中，编写MapReduce程序通常涉及实现Mapper和Reducer类，并配置Job。以下是Java代码实现WordCount的简要示例： ```java import org.apache.hadoop.conf.Configuration; 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 WordCount { public static class TokenizerMapper extends Mapper<LongWritable, Text, Text, IntWritable> { private final static IntWritable one = new IntWritable(1); private Text word = new Text(); public void map(LongWritable key, Text value, Context context ) throws IOException, InterruptedException { String line = value.toString(); StringTokenizer itr = new StringTokenizer(line); 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(); Job job = Job.getInstance(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(args[0])); FileOutputFormat.setOutputPath(job, new Path(args[1])); System.exit(job.waitForCompletion(true) ? 0 : 1); } } ``` 这个Java程序定义了Mapper和Reducer类，以及Job的配置。运行这个程序，指定输入和输出路径，就可以在Hadoop集群上执行WordCount任务，统计输入文件中每个单词的出现次数。 通过WordCount案例，我们可以深入理解MapReduce的运行机制，包括数据的分片、Mapper的映射处理、中间结果的Shuffle和Sort以及Reducer的聚合操作。这个简单的例子不仅展示了Hadoop MapReduce的强大处理能力，也为后续更复杂的分布式计算任务奠定了基础。在实际工作中，MapReduce常用于日志分析、推荐系统、搜索引擎索引构建等多种场景，是大数据处理的重要工具。