Question

如何快速地编写和运行一个属于自己的MapReduce例子程序

Answer 1

　　大数据的时代， 到处张嘴闭嘴都是Hadoop, MapReduce, 不跟上时代怎么行？ 可是对一个hadoop的新手， 写一个属于自己的MapReduce程序还是小有点难度的， 需要建立一个maven项目， 还要搞清楚各种库的依赖， 再加上编译运行， 基本上头大两圈了吧。 这也使得很多只是想简单了解一下MapReduce的人望而却步。
　　本文会教你如何用最快最简单的方法编写和运行一个属于自己的MapReduce程序， let's go!
　　首先有两个前提：
　　1. 有一个已经可以运行的hadoop 集群（也可以是伪分布系统)， 上面的hdfs和mapreduce工作正常 （这个真的是最基本的了， 不再累述， 不会的请参考 http://hadoop.apache.org/docs/current/)
　　2. 集群上安装了JDK (编译运行时会用到）
　　正式开始
　　1. 首先登入hadoop 集群里面的一个节点， 创建一个java源文件， 偷懒起见， 基本盗用官方的word count (因为本文的目的是教会你如何快编写和运行一个MapReduce程序， 而不是如何写好一个功能齐全的MapReduce程序）
　　内容如下：
　　view sourceprint?
　　01.import java.io.IOException;
　　02.import java.util.StringTokenizer;
　　03.
　　04.import org.apache.hadoop.conf.Configuration;
　　05.import org.apache.hadoop.fs.Path;
　　06.import org.apache.hadoop.io.IntWritable;
　　07.import org.apache.hadoop.io.Text;
　　08.import org.apache.hadoop.mapreduce.Job;
　　09.import org.apache.hadoop.mapreduce.Mapper;
　　10.import org.apache.hadoop.mapreduce.Reducer;
　　11.import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
　　12.import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
　　13.import org.apache.hadoop.util.GenericOptionsParser;
　　14.
　　15.public class my<a href="http://www.it165.net/edu/ebg/" target="_blank" class="keylink">word</a> {
　　16.
　　17.public static class TokenizerMapper
　　18.extends Mapper<Object, Text, Text, IntWritable>{
　　19.
　　20.private final static IntWritable one = new IntWritable(1);
　　21.private Text word = new Text();
　　22.
　　23.public void map(Object key, Text value, Context context
　　24.) throws IOException, InterruptedException {
　　25.StringTokenizer itr = new StringTokenizer(value.toString());
　　26.while (itr.hasMoreTokens()) {
　　27.word.set(itr.nextToken());
　　28.context.write(word, one);
　　29.}
　　30.}
　　31.}
　　32.
　　33.public static class IntSumReducer
　　34.extends Reducer<Text,IntWritable,Text,IntWritable> {
　　35.private IntWritable result = new IntWritable();
　　36.
　　37.public void reduce(Text key, Iterable<IntWritable> values,
　　38.Context context
　　39.) throws IOException, InterruptedException {
　　40.int sum = 0;
　　41.for (IntWritable val : values) {
　　42.sum += val.get();
　　43.}
　　44.result.set(sum);
　　45.context.write(key, result);
　　46.}
　　47.}
　　48.
　　49.public static void main(String[] args) throws Exception {
　　50.Configuration conf = new Configuration();
　　51.String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
　　52.if (otherArgs.length != 2) {
　　53.System.err.println('Usage: wordcount <in> <out>');
　　54.System.exit(2);
　　55.}
　　56.Job job = new Job(conf, 'word count');
　　57.job.setJarByClass(myword.class);
　　58.job.setMapperClass(TokenizerMapper.class);
　　59.job.setCombinerClass(IntSumReducer.class);
　　60.job.setReducerClass(IntSumReducer.class);
　　61.job.setOutputKeyClass(Text.class);
　　62.job.setOutputValueClass(IntWritable.class);
　　63.FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
　　64.FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
　　65.System.exit(job.waitForCompletion(true) ? 0 : 1);
　　66.}
　　67.}
　　与官方版本相比， 主要做了两处修改
　　1） 为了简单起见，去掉了开头的 package org.apache.hadoop.examples;
　　2） 将类名从 WordCount 改为 myword, 以体现是我们自己的工作成果 :)
　　2. 拿到hadoop 运行的class path, 主要为编译所用
　　运行命令
　　view sourceprint?
　　1.hadoop classpath
　　保存打出的结果，本文用的hadoop 版本是Pivotal 公司的Pivotal hadoop, 例子：
　　view sourceprint?
　　1./etc/gphd/hadoop/conf:/usr/lib/gphd/hadoop/lib/*:/usr/lib/gphd/hadoop/.//*:/usr/lib/gphd/hadoop-hdfs/./:/usr/lib/gphd/hadoop-hdfs/lib/*:/usr/lib/gphd/hadoop-hdfs/.//*:/usr/lib/gphd/hadoop-yarn/lib/*:/usr/lib/gphd/hadoop-yarn/.//*:/usr/lib/gphd/hadoop-mapreduce/lib/*:/usr/lib/gphd/hadoop-mapreduce/.//*::/etc/gphd/pxf/conf::/usr/lib/gphd/pxf/pxf-core.jar:/usr/lib/gphd/pxf/pxf-api.jar:/usr/lib/gphd/publicstage:/usr/lib/gphd/gfxd/lib/gemfirexd.jar::/usr/lib/gphd/zookeeper/zookeeper.jar:/usr/lib/gphd/hbase/lib/hbase-common.jar:/usr/lib/gphd/hbase/lib/hbase-protocol.jar:/usr/lib/gphd/hbase/lib/hbase-client.jar:/usr/lib/gphd/hbase/lib/hbase-thrift.jar:/usr/lib/gphd/hbase/lib/htrace-core-2.01.jar:/etc/gphd/hbase/conf::/usr/lib/gphd/hive/lib/hive-service.jar:/usr/lib/gphd/hive/lib/libthrift-0.9.0.jar:/usr/lib/gphd/hive/lib/hive-metastore.jar:/usr/lib/gphd/hive/lib/libfb303-0.9.0.jar:/usr/lib/gphd/hive/lib/hive-common.jar:/usr/lib/gphd/hive/lib/hive-exec.jar:/usr/lib/gphd/hive/lib/postgresql-jdbc.jar:/etc/gphd/hive/conf::/usr/lib/gphd/sm-plugins/*:
　　3. 编译
　　运行命令
　　view sourceprint?
　　1.javac -classpath xxx ./myword.java
　　xxx部分就是上一步里面取到的class path
　　运行完此命令后， 当前目录下会生成一些.class 文件， 例如：
　　myword.class myword$IntSumReducer.class myword$TokenizerMapper.class
　　4. 将class文件打包成.jar文件
　　运行命令
　　view sourceprint?
　　1.jar -cvf myword.jar ./*.class
　　至此, 目标jar 文件成功生成
　　5. 准备一些文本文件， 上传到hdfs, 以做word count的input
　　例子：
　　随意创建一些文本文件， 保存到mapred_test 文件夹
　　运行命令
　　view sourceprint?
　　1.hadoop fs -put ./mapred_test/
　　确保此文件夹成功上传到hdfs 当前用户根目录下
　　6. 运行我们的程序
　　运行命令
　　view sourceprint?
　　1.hadoop jar ./myword.jar myword mapred_test output
　　顺利的话， 此命令会正常进行， 一个MapReduce job 会开始工作， 输出的结果会保存在 hdfs 当前用户根目录下的output 文件夹里面。
　　至此大功告成！
　　如果还需要更多的功能， 我们可以修改前面的源文件以达到一个真正有用的MapReduce job。
　　但是原理大同小异， 练手的话， 基本够了。
　　一个抛砖引玉的简单例子， 欢迎板砖。