大数据讲课笔记5.1 初探MapReduce

文章目录

• 零、学习目标
• 一、导入新课
• 二、新课讲解
• • （一）MapReduce核心思想
  • （二）MapReduce编程模型
  • （三）MapReduce编程实例——词频统计思路
  • • 1、Map阶段（映射阶段）
    • 2、Reduce阶段（归并阶段）
  • （四）MapReduce编程实例——词频统计实现
  • • 1、准备数据文件
    • • （1）在虚拟机上创建文本文件
      • （2）上传文件到HDFS指定目录
    • 2、创建Maven项目
    • 3、添加相关依赖
    • 4、创建日志属性文件
    • 5、创建词频统计映射器类
    • • 知识点：Java数据类型与Hadoop数据类型对应关系
    • 6、创建词频统计驱动器类
    • 7、运行词频统计驱动器类，查看结果
    • 8、修改词频统计映射器类
    • 9、修改词频统计驱动器类
    • 10、启动词频统计驱动器类，查看结果
    • 11、创建词频统计归并器类
    • 12、修改词频统计驱动器类
    • 13、运行词频统计驱动器类，查看结果
    • 14、修改词频统计归并器类
    • 15、修改词频统计驱动器类
    • 16、启动词频统计驱动器类，查看结果
    • • 知识点学习
    • 17、采用多个Reduce做合并
    • • （1）MR默认采用哈希分区HashPartitioner
      • （2）修改词频统计驱动器类，设置分区数量
    • 18、打包上传到虚拟机上运行
    • • （1）利用Maven打包
      • （2）将jar包上传到虚拟机
      • （3）运行jar包，查看结果
      • （4）降低项目JDK版本，重新打包
      • （5）重新上传jar包到虚拟机
      • （6）运行jar包，查看结果
    • 19、创建新词频统计驱动器类
    • 20、重新打包上传虚拟机并执行
    • 21、将三个类合并成一个类完成词频统计
    • 22、合并分区导致的多个结果文件
    • 23、统计不同单词数
• 三、归纳总结
• 四、上机操作
• 五、解决问题
• • 错误：Did not find winutils.exe

零、学习目标

1. 理解MapReduce核心思想
2. 掌握MapReduce编程模型
3. 理解MapReduce编程实例——词频统计

一、导入新课

• 带领学生回顾项目四HDFS相关的知识，由于MapReduce是Hadoop系统的另一个核心组件，它是一种可用于大数据并行处理的计算模型、框架和平台，主要解决海量数据的计算，是目前分布式计算模型中应用较为广泛的一种。因此，本次课将针对MapReduce分布式计算框架进行详细讲解。

二、新课讲解

（一）MapReduce核心思想

• MapReduce的核心思想是“分而治之”。所谓“分而治之”就是把一个复杂的问题，按照一定的“分解”方法分为等价的规模较小的若干部分，然后逐个解决，分别找出各部分的结果，把各部分的结果组成整个问题的结果，这种思想来源于日常生活与工作时的经验，同样也完全适合技术领域。
• MapReduce作为一种分布式计算模型，它主要用于解决海量数据的计算问题。使用MapReduce操作海量数据时，每个MapReduce程序被初始化为一个工作任务，每个工作任务可以分为Map和Reduce两个阶段。

• MapReduce就是“任务的分解与结果的汇总”。即使用户不懂分布式计算框架的内部运行机制，但是只要能用Map和Reduce思想描述清楚要处理的问题，就能轻松地在Hadoop集群上实现分布式计算功能。

  

• MapReduce设计的一个理念就是“计算向数据靠拢”，而不是“数据向计算靠拢”，因为，移动数据需要大量的网络传输开销。

（二）MapReduce编程模型

• MapReduce是一种编程模型，用于处理大规模数据集的并行运算。使用MapReduce执行计算任务的时候，每个任务的执行过程都会被分为两个阶段，分别是Map和Reduce，其中Map阶段用于对原始数据进行处理，Reduce阶段用于对Map阶段的结果进行汇总，得到最终结果。

  

• Map和Reduce函数

  

• 问题1：100副牌，没有大小王，差一张牌，请确定缺少哪张牌？

  

  

• 问题2：100GB网站访问日志文件，找出访问次数最多的IP地址

  

  

（三）MapReduce编程实例——词频统计思路

1、Map阶段（映射阶段）

• 输入键值对

  ⟹

  \Longrightarrow

  ⟹输出键值对

  

2、Reduce阶段（归并阶段）

（四）MapReduce编程实例——词频统计实现

• 启动hadoop服务

  

1、准备数据文件

（1）在虚拟机上创建文本文件

• 创建wordcount目录，在里面创建words.txt文件

  

（2）上传文件到HDFS指定目录

• 创建/wordcount/input目录，执行命令：hdfs dfs -mkdir -p /wordcount/input

  

• 将文本文件words.txt，上传到HDFS的/wordcount/input目录

  

• 在Hadoop WebUI界面上查看上传的文件

  

2、创建Maven项目

• 创建Maven项目 – MRWordCount

  

• 单击【Finish】按钮

  

3、添加相关依赖

• 在pom.xml文件里添加hadoop和junit依赖

  

                                                                                                                 org.apache.hadoop             hadoop-client           3.3.4                                                                                                                                      junit                         junit                   4.13.2                                                                                                      

4、创建日志属性文件

• 在resources目录里创建log4j.properties文件

  

log4j.rootLogger=INFO, stdout, logfilelog4j.appender.stdout=org.apache.log4j.ConsoleAppenderlog4j.appender.stdout.layout=org.apache.log4j.PatternLayoutlog4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%nlog4j.appender.logfile=org.apache.log4j.FileAppenderlog4j.appender.logfile.File=target/wordcount.loglog4j.appender.logfile.layout=org.apache.log4j.PatternLayoutlog4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n

5、创建词频统计映射器类

• 创建net.hw.mr包，在包里创建WordCountMapper类

  

• 为了更好理解Mapper类的作用，在map()函数里暂时不进行每行文本分词处理，直接利用context输出key和value。

package net.hw.mr;

import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;

/**
 * 功能：词频统计映射器类
 * 作者：华卫
 * 日期：2022年12月07日
 */
public class WordCountMapper extends Mapper {
    @Override
    protected void map(LongWritable key, Text value, Context context)
            throws IOException, InterruptedException {
        // 直接将键值对数据传到下一个阶段
        context.write(key, value);
    }
}

• Mapper参数说明

  

• 注意：MR应用，必须有映射器（Mapper），但是归并器（Reducer）可有可无

知识点：Java数据类型与Hadoop数据类型对应关系

• Hadoop类型数据调用get()方法就可以转换成Java类型数据
• Java类型数据通过new XXXWritable(x)方式转换成对应的Hadoop类型数据

6、创建词频统计驱动器类

• 在net.hw.mr包里创建WordCountDriver类

  

package net.hw.mr;import org.apache.hadoop.conf.Configuration;import org.apache.hadoop.fs.FSDataInputStream;import org.apache.hadoop.fs.FileStatus;import org.apache.hadoop.fs.FileSystem;import org.apache.hadoop.fs.Path;import org.apache.hadoop.io.IOUtils;import org.apache.hadoop.io.LongWritable;import org.apache.hadoop.io.Text;import org.apache.hadoop.mapreduce.Job;import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;import java.net.URI;/** * 功能：词频统计驱动器类 * 作者：华卫 * 日期：2022年12月07日 */public class WordCountDriver {    public static void main(String[] args) throws Exception {        // 创建配置对象        Configuration conf = new Configuration();        // 设置数据节点主机名属性        conf.set("dfs.client.use.datanode.hostname", "true");        // 获取作业实例        Job job = Job.getInstance(conf);        // 设置作业启动类        job.setJarByClass(WordCountDriver.class);        // 设置Mapper类        job.setMapperClass(WordCountMapper.class);        // 设置map任务输出键类型        job.setMapOutputKeyClass(LongWritable.class);        // 设置map任务输出值类型        job.setMapOutputValueClass(Text.class);        // 定义uri字符串        String uri = "hdfs://master:9000";        // 创建输入目录        Path inputPath = new Path(uri + "/wordcount/input");        // 创建输出目录        Path outputPath = new Path(uri + "/wordcount/output");        // 获取文件系统        FileSystem fs =  FileSystem.get(new URI(uri), conf);        // 删除输出目录（第二个参数设置是否递归）        fs.delete(outputPath, true);        // 给作业添加输入目录（允许多个）        FileInputFormat.addInputPath(job, inputPath);        // 给作业设置输出目录（只能一个）        FileOutputFormat.setOutputPath(job, outputPath);        // 等待作业完成        job.waitForCompletion(true);        // 输出统计结果        System.out.println("======统计结果======");        FileStatus[] fileStatuses = fs.listStatus(outputPath);        for (int i = 1; i < fileStatuses.length; i++) {            // 输出结果文件路径            System.out.println(fileStatuses[i].getPath());            // 获取文件系统数据字节输入流            FSDataInputStream in = fs.open(fileStatuses[i].getPath());            // 将结果文件显示在控制台            IOUtils.copyBytes(in, System.out, 4096, false);        }    }}

• 注意导包问题

  

• 不要导成org.apache.hadoop.mapred包下的FileInputFormat与FileOutputFormat咯~

import org.apache.hadoop.mapred.FileInputFormat;
import org.apache.hadoop.mapred.FileOutputFormat;

7、运行词频统计驱动器类，查看结果

• 运行报错，提示：Did not find winutils.exe，解决办法，参看本博 – 五、解决问题

  

• 再次运行，统计结果之前会显示大量信息

  

  

• 如果不想看到统计结果之前的大堆信息，可以修改log4j.properties文件，将INFO改为ERROR

  

• 再运行程序，查看结果

  

• 行首数字，表示每行起始位置在整个文件的偏移量（offset）。

• 第一行：hello hadoop world\n 16个字母，2个空格，1个转义字符，总共19个字符，因此，第二行起始位置在整个文件的偏移量就是19。

• 第二行：hello hive world\n 14个字母，2个空格，1个转义字符，总共17个字符，因此，第三行起始位置在整个文件的偏移量就是19 + 16 = 36。

• 第三行：hello hbase world\n 15个字母，2个空格，1个转义字符，总共18个字符，因此，第三行起始位置在整个文件的偏移量就是19 + 16 + 18 = 54。

• 第四行：hadoop hive hbase\n 15个字母，2个空格，1个转义字符，总共18个字符，因此，第三行起始位置在整个文件的偏移量就是19 + 16 + 18 + 18 = 72。

• 利用Hadoop WebUI界面查看结果文件

  

8、修改词频统计映射器类

• 行首数字对于我们做单词统计没有任何用处，只需要拿到每一行内容，按空格拆分成单词，每个单词计数1，因此，WordCoutMapper的输出应该是单词和个数，于是，输出键类型为Text，输出值类型为IntWritable。
• 将每行按空格拆分成单词数组，输出的键值对

  

public class WordCountMapper extends Mapper {    @Override    protected void map(LongWritable key, Text value, Context context)            throws IOException, InterruptedException {        // 获取行内容        String line = value.toString();        // 按空格拆分得到单词数组        String[] words = line.split(" ");        // 遍历单词数组，生成输出键值对        for (int i = 0; i < words.length; i++) {            context.write(new Text(words[i]), new IntWritable(1));        }    }}

• 由于WordCountMapper的输出键值类型发生变化，所以必须告诉WordCountDriver。

9、修改词频统计驱动器类

• 修改map任务输出键值类型

  

10、启动词频统计驱动器类，查看结果

• 观察输出结果，map阶段会按键排序输出

  

• 对于这样一组键值对，传递到reduce阶段，按键排序，其值构成迭代器

I	and	hadoop	hbase	hello	hive	love	world	

• 映射任务与归并任务示意图

  

11、创建词频统计归并器类

• 一个类继承Reducer，变成一个Reducer组件类

• Reducer组件会接收Mapper组件的输出结果

• 第一个泛型对应的是Mapper输出key类型

• 第二个泛型对应的是Mapper输出value类型

• 第三个泛型和第四个泛型是Reducer的输出key类型和输出value类型

• Reducer组件不能单独存在，但是Mapper组件可以单独存在

• 当引入Reducer组件后，输出结果文件内容就是Reducer的输出key和输出value

• 在net.hw.mr包里创建WordCountReducer

  

package net.hw.mr;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;
import java.util.ArrayList;
import java.util.List;

/**
 * 功能：词频统计归并器
 * 作者：华卫
 * 日期：2022年12月13日
 */
public class WordCountReducer extends Reducer {
    @Override
    protected void reduce(Text key, Iterable values, Context context)
            throws IOException, InterruptedException {
        // 定义整数数组列表
        List integers = new ArrayList();
        // 遍历输入值迭代器
        for (IntWritable value : values) {
            // 将每个值添加到数组列表
            integers.add(value.get()); // 利用get()方法将hadoop数据类型转换成java数据类型
        }
        // 输出新的键值对，注意要将java字符串转换成hadoop的text类型
        context.write(key, new Text(integers.toString()));
    }
}

• 创建了词频统计归并器之后，我们一定要告知词频统计驱动器类

12、修改词频统计驱动器类

• 设置词频统计的Reducer类及其输出键类型和输出值类型（Text，Text）

  

13、运行词频统计驱动器类，查看结果

• 运行WordCountDriver类，查看结果

  

• 现在我们需要修改词频统计归并器，将每个键（单词）的值迭代器进行累加，得到每个单词出现的总次数。

14、修改词频统计归并器类

• 输出键值类型改为IntWritable，遍历值迭代器，累加得到单词出现次数

  

package net.hw.mr;import org.apache.hadoop.io.IntWritable;import org.apache.hadoop.io.Text;import org.apache.hadoop.mapreduce.Reducer;import java.io.IOException;/** * 功能：词频统计归并器 * 作者：华卫 * 日期：2022年12月14日 */public class WordCountReducer extends Reducer {    @Override    protected void reduce(Text key, Iterable values, Context context)            throws IOException, InterruptedException {        // 定义键出现次数        int count = 0;        // 遍历输入值迭代器        for (IntWritable value : values) {            count += value.get(); // 其实针对此案例，可用count++来处理        }        // 输出新的键值对，注意要将java的int类型转换成hadoop的IntWritable类型        context.write(key, new IntWritable(count));    }}

• 由于修改了词频统计归并器的输出值类型（由Text类型改成了IntWritable类型），必须在词频统计驱动器类里进行设置

15、修改词频统计驱动器类

• 修改归并任务的输出值类型（IntWritable类型）

  

16、启动词频统计驱动器类，查看结果

• 此时，可以看到每个单词出现的次数

  

知识点学习

（1）MR框架有两个核心组件，分别是Mapper组件和Reducer组件（2）写一个类，继承Mapper，则变成了一个Mapper组件类（3）IntWritable, LongWritable，DoubleWritable, Text，NullWritable都是Hadoop序列化类型（4）Mapper组件将每行的行首偏移量，作为输入key，通过map()传给程序员（5）Mapper组件会将每行内容，作为输入value，通过map()传给程序员，重点是获取输入value（6）Mapper的第一个泛型类型对应的是输入key的类型，第二个泛型类型对应的输入value（7）MR框架所处理的文件可以是本地文件，也可以是HDFS文件（8）map()被调用几次，取决于文件的行数（9）通过context进行结果的输出，以输出key和输出value的形式来输出（10）输出key是由第三个泛型类型决定，输出value是由第四个泛型类型决定（11）输出结果文件的数据以及行数取决于context.write()方法（12）Text => String:  value.toString()（13）String => Text:  new Text(strVar)（14）LongWritable => long:  key.get()（15）long => LongWritable: new LongWritable(longVar)

17、采用多个Reduce做合并

• 相同key的键值对必须发送同一分区（一个Reduce任务对应一个分区，然后会生成对应的一个结果文件，有多少个Reduce任务，就会有多少个分区，最终就会产生多少个结果文件），否则同一个key最终会出现在不同的结果文件中，那显然不是我们希望看到的结果。

（1）MR默认采用哈希分区HashPartitioner

• Mapper输出key.hashcode & Integer.MAX_ VALUE % Reduce任务数量

  

（2）修改词频统计驱动器类，设置分区数量

• 设置分区数量：3

  

• 此时，运行程序，查看结果

  

• 在Hadoop WebUI界面上可以看到，产生了三个结果文件

  

18、打包上传到虚拟机上运行

• MR程序可以在IDEA里运行，也可以打成jar包，上传到虚拟机，利用hadoop jar命令来运行

（1）利用Maven打包

• 打开Maven管理窗口，找到项目的LifeCycle下的package命令

  

• 双击package命令，报错，maven插件版本不对

  

• 修改pom.xml文件，添加maven插件，记得要刷新maven

  

• 再次打包，即可生成MRWordCount-1.0-SNAPSHOT.jar

  

（2）将jar包上传到虚拟机

• 将MRWordCount-1.0-SNAPSHOT.jar上传到master虚拟机/home目录

  

• 查看上传的jar包

  

（3）运行jar包，查看结果

• 运行报错，Java编译版本不一致导致错误，本地打包用的是JDK11，虚拟机上安装的JDK8

  

（4）降低项目JDK版本，重新打包

• 修改项目JDK

  

• 修改语言级别

  

• 修改Java编译器版本

  

• 修改pom.xml文件

  

• 重新利用maven打包

  

（5）重新上传jar包到虚拟机

• 删除master虚拟机上的jar包

  

• 重新上传jar包

  

（6）运行jar包，查看结果

• 执行命令：hadoop jar MRWordCount-1.0-SNAPSHOT.jar net.hw.mr.WordCountDriver

  

  

19、创建新词频统计驱动器类

• 由用户指定输入路径和输出路径，如果用户不指定，那么由程序来设置
• 在net.hw.mr包里创建WordCountDriverNew类

  

package net.hw.mr;import org.apache.hadoop.conf.Configuration;import org.apache.hadoop.fs.FSDataInputStream;import org.apache.hadoop.fs.FileStatus;import org.apache.hadoop.fs.FileSystem;import org.apache.hadoop.fs.Path;import org.apache.hadoop.io.IOUtils;import org.apache.hadoop.io.IntWritable;import org.apache.hadoop.io.Text;import org.apache.hadoop.mapreduce.Job;import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;import java.net.URI;/** * 功能：新词频统计驱动器类 * 作者：华卫 * 日期：2022年12月14日 */public class WordCountDriverNew {    public static void main(String[] args) throws Exception {        // 创建配置对象        Configuration conf = new Configuration();        // 设置数据节点主机名属性        conf.set("dfs.client.use.datanode.hostname", "true");        // 获取作业实例        Job job = Job.getInstance(conf);        // 设置作业启动类        job.setJarByClass(WordCountDriverNew.class);        // 设置Mapper类        job.setMapperClass(WordCountMapper.class);        // 设置map任务输出键类型        job.setMapOutputKeyClass(Text.class);        // 设置map任务输出值类型        job.setMapOutputValueClass(IntWritable.class);        // 设置Reducer类        job.setReducerClass(WordCountReducer.class);        // 设置reduce任务输出键类型        job.setOutputKeyClass(Text.class);        // 设置reduce任务输出值类型        job.setOutputValueClass(IntWritable.class);        // 设置分区数量（reduce任务的数量，结果文件的数量）        job.setNumReduceTasks(3);        // 定义uri字符串        String uri = "hdfs://master:9000";        // 声明输入目录        Path inputPath = null;        // 声明输出目录        Path outputPath = null;        // 判断输入参数个数        if (args.length == 0) {            // 创建输入目录            inputPath = new Path(uri + "/wordcount/input");            // 创建输出目录            outputPath = new Path(uri + "/wordcount/output");        } else if (args.length == 2) {            // 创建输入目录            inputPath = new Path(uri + args[0]);            // 创建输出目录            outputPath = new Path(uri + args[1]);        } else {            // 提示用户参数个数不符合要求            System.out.println("参数个数不符合要求，要么是0个，要么是2个！");            // 结束应用程序            return;        }        // 获取文件系统        FileSystem fs = FileSystem.get(new URI(uri), conf);        // 删除输出目录（第二个参数设置是否递归）        fs.delete(outputPath, true);        // 给作业添加输入目录（允许多个）        FileInputFormat.addInputPath(job, inputPath);        // 给作业设置输出目录（只能一个）        FileOutputFormat.setOutputPath(job, outputPath);        // 等待作业完成        job.waitForCompletion(true);        // 输出统计结果        System.out.println("======统计结果======");        FileStatus[] fileStatuses = fs.listStatus(outputPath);        for (int i = 1; i < fileStatuses.length; i++) {            // 输出结果文件路径            System.out.println(fileStatuses[i].getPath());            // 获取文件系统数据字节输入流            FSDataInputStream in = fs.open(fileStatuses[i].getPath());            // 将结果文件显示在控制台            IOUtils.copyBytes(in, System.out, 4096, false);        }    }}

20、重新打包上传虚拟机并执行

• 重新打包

  

• 删除先前的jar包

  

• 上传新的单词文件

  

• 上传新的jar包

  

• 执行命令：hadoop jar MRWordCount-1.0-SNAPSHOT.jar net.hw.mr.WordCountDriverNew，不指定输入路径和输出路径参数

  

  

• 执行命令：hadoop jar MRWordCount-1.0-SNAPSHOT.jar net.hw.mr.WordCountDriverNew /winter/input /winter/output，指定输入路径和输出路径参数

  

  

• 执行命令：hadoop jar MRWordCount-1.0-SNAPSHOT.jar net.hw.mr.WordCountDriverNew /winter/input，指定输入路径参数，不指定输出路径参数

  

21、将三个类合并成一个类完成词频统计

• 在net.hw.mr包里创建WordCount类

  

package net.hw.mr;import org.apache.hadoop.conf.Configuration;import org.apache.hadoop.conf.Configured;import org.apache.hadoop.fs.FSDataInputStream;import org.apache.hadoop.fs.FileStatus;import org.apache.hadoop.fs.FileSystem;import org.apache.hadoop.fs.Path;import org.apache.hadoop.io.IOUtils;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;import org.apache.hadoop.util.Tool;import org.apache.hadoop.util.ToolRunner;import java.io.IOException;import java.net.URI;/** * 功能：词频统计 * 作者：华卫 * 日期：2022年12月14日 */public class WordCount extends Configured implements Tool {    public static class WordCountMapper extends Mapper {        @Override        protected void map(LongWritable key, Text value, Context context)                throws IOException, InterruptedException {            // 获取行内容            String line = value.toString();            // 清洗所有英文标点符号（\p——属性[property]，P——标点符号[Punctuation]）            line = line.replaceAll("[\\pP]", "");            // 按空格拆分得到单词数组            String[] words = line.split(" ");            // 遍历单词数组，生成输出键值对            for (int i = 0; i < words.length; i++) {                context.write(new Text(words[i]), new IntWritable(1));            }        }    }    public static class WordCountReducer extends Reducer {        @Override        protected void reduce(Text key, Iterable values, Context context)                throws IOException, InterruptedException {            // 定义输出键出现次数            int count = 0;            // 历输出值迭代对象，统计其出现次数            for (IntWritable value : values) {                count = count + value.get();            }            // 生成键值对输出            context.write(key, new IntWritable(count));        }    }    @Override    public int run(String[] strings) throws Exception {        // 创建配置对象        Configuration conf = new Configuration();        // 设置数据节点主机名属性        conf.set("dfs.client.use.datanode.hostname", "true");        // 获取作业实例        Job job = Job.getInstance(conf);        // 设置作业启动类        job.setJarByClass(WordCountDriver.class);        // 设置Mapper类        job.setMapperClass(WordCountMapper.class);        // 设置map任务输出键类型        job.setMapOutputKeyClass(Text.class);        // 设置map任务输出值类型        job.setMapOutputValueClass(IntWritable.class);        // 设置Reducer类        job.setReducerClass(WordCountReducer.class);        // 设置reduce任务输出键类型        job.setOutputKeyClass(Text.class);        // 设置reduce任务输出值类型        job.setOutputValueClass(IntWritable.class);        // 设置分区数量（reduce任务的数量，结果文件的数量）        job.setNumReduceTasks(3);        // 定义uri字符串        String uri = "hdfs://master:9000";        // 创建输入目录        Path inputPath = new Path(uri + "/wordcount2/input");        // 创建输出目录        Path outputPath = new Path(uri + "/wordcount2/output");        // 获取文件系统        FileSystem fs = FileSystem.get(new URI(uri), conf);        // 删除输出目录（第二个参数设置是否递归）        fs.delete(outputPath, true);        // 给作业添加输入目录（允许多个）        FileInputFormat.addInputPath(job, inputPath);        // 给作业设置输出目录（只能一个）        FileOutputFormat.setOutputPath(job, outputPath);        // 等待作业完成        boolean res = job.waitForCompletion(true);        // 输出统计结果        System.out.println("======统计结果======");        FileStatus[] fileStatuses = fs.listStatus(outputPath);        for (int i = 1; i < fileStatuses.length; i++) {            // 输出结果文件路径            System.out.println(fileStatuses[i].getPath());            // 获取文件系统数据字节输入流            FSDataInputStream in = fs.open(fileStatuses[i].getPath());            // 将结果文件显示在控制台            IOUtils.copyBytes(in, System.out, 4096, false);        }        if (res) {            return 0;        } else {            return -1;        }    }    public static void main(String[] args) throws Exception {        int res = ToolRunner.run(new WordCount(), args);        System.exit(res);    }}

• 上传一个有标点符号的单词文件

  

• 运行程序，查看结果

  

• 先前为了打包上传能在虚拟机上运行jar包，将JDK版本降低到8，因此还得修改编译器配置文件

  

  

• 运行程序，查看结果

  

22、合并分区导致的多个结果文件

• 采用分区来处理，确实提高了效率，但是现在有多个结果文件，怎么合并它们成为一个最终的一个结果文件呢？
• 利用hadoop的-getmerge命令来完成：hdfs dfs -getmerge /wordcount/result part-r-final

  

23、统计不同单词数

利用MR对多个文件进行词频统计，得到的一个或多个结果文件，多个结果文件可以合并成一个最终结果文件，比如part-r-final，然后利用Linux命令统计行数即可。

• 利用cat -nu命令，带行号显示文件内容

  

• 利用wc -l命令，统计文件行数，即不同单词数

  

• wc命令还有其它参数

  

三、归纳总结

• 回顾本节课所讲的内容，并通过提问的方式引导学生解答问题并给予指导。

四、上机操作

• 形式：单独完成
• 题目：使用MapReduce计算总成绩
• 要求：成绩表，包含四个字段（姓名、语文、数学、英语），只有三条记录

• 成绩表文件 – score.txt

张钦林 78 90 76
陈燕文 95 88 98
卢志刚 78 80 60

• 使用MR，计算结果

  

五、解决问题

错误：Did not find winutils.exe

• 运行WordCountDriver类，报错找不到winutils.exe文件

  

• 解决办法：下载对应版本的winutils.exe和hadoop.dll，放在hadoop安装目录的bin子目录里

• https://github.com/cdarlint/winutils/blob/master/hadoop-3.2.2/bin/winutils.exe

• https://github.com/cdarlint/winutils/blob/master/hadoop-3.2.2/bin/hadoop.dll

  

• 配置环境变量

  

  

• 此时，重启IDEA，打开MRWordCount项目，运行WordCountDriver类，就没有问题了