Hadoop基础学习（一）分析、编写并运行WordCount词频统计程序
Hadoop基础学习（一）分析、编写并运行WordCount词频统计程序
前面已经在我的Ubuntu单机上面搭建好了伪分布模式的HBase环境，其中包括了Hadoop的运行环境。
详见我的这篇博文：http://blog.csdn.net/jiyiqinlovexx/article/details/29208703
我的目的主要是学习HBase，下一步打算学习的是将HBase作为Hadoop作业的输入和输出。
但是好像以前在南大上学时学习的Hadoop都忘记得差不多了，所以找到以前上课做的几个实验：wordCount，PageRank以及InversedIndex。
发现以前写的实验报告还是蛮详细的，很容易看懂，恰好以前做实验用的也是hadoop0.20的版本，所以按照我以前写的实验手册直接操作，熟悉一下Hadoop了。
下面是我以前写的WordCOunt的实验报告：
一、实验要求：
实验内容与要求
1. 在Eclipse环境下编写WordCount程序，统计所有除Stop-Word（如a, an, of, in, on, the, this, that,…)外所有出现次数k次以上的单词计数，最后的结果按照词频从高到低排序输出
2. 在集群上运行程序，对莎士比亚文集文档数据进行处理
3. 可自行建立一个Stop-Word列表文件，其中包含部分停词即可，不需要列出全部停词；参数k作为输入参数动态指定（如k=10）
4. 实验结果提交：要求书写一个实验报告，其中包括：
实验设计说明，包括主要设计思路、算法设计、程序和各个类的设计说明
程序运行和实验结果说明和分析
性能、扩展性等方面存在的不足和可能的改进之处
源程序 ，执行程序，停词列表文件
运行结果文件
二、实验报告：
Wordcount词频统计实验
2012年4月1日星期日
19:04
1设计思路
Map:
(1)停词存储
因为停词比较少，所以选择将他们全部存储到内存中，停词不能有重复，还需要快速访问，所以选择hashset来存储
(2)map
对于map传进来的每一行文本，首先用正在表达式将英文标点符号全部题换成空格，然后在循环分析每一个单词，如果这个单词不包括在停词集合中，则将其key设为单词本身，值设置为1，并发射出去。
Reduce:
在reduce中对每一个key，将其所有value累加起来。如果value不小于某个词频，则将其output出去。
2遇到的问题
(1)hadoop API问题
(2)在hadoop的map中读取hdfs文件内容
(3)如何按词频从高到底输出；
解决1：
参考很多资料，找到正确使用的API，总之感觉hadoop不同版本之间API很混乱。
在API方面有两个点花费我很多时间，一是map和reduce的初始化函数setup，二是向map和reduce传递参数直接通过configuration来进行，有点类似于JSP中的session。
解决2：
开始我在map之外定义一个全局变量，开始的时候将停词文件路径复制给这个全局变量，但是在map里面无法读取这个文件的内容。不知道怎么回事。
然后我们在网上查了一下，发现有一个分布式缓存文件的类DistributedCache。
主要先是获取停词文件的路径，将其加入到cache中去，DistributedCache.addCacheFile(newPath(args[++i]).toUri(), conf);
然后在map中用DistributedCache.getLocalCacheFiles(context.getConfiguration());读取该文件路径，这样就可以读取停词文件的内容了。
解决3：
词频要在reduce完成之后才能计算出来，也就是说虽然map之后将键值对分发到reduce之前会按照键值进行一个sort的过程，但是我们也无法借助将key
value掉换的方法一次进行。
我们小组一起讨论，想到了在第一次mapreduce统计完词频之后再进行一次mapreduce来按照词频对所有键值对排序。统计结果(中间结果)存放到临时文件夹中。
在第二次mapreduce的过程中：
(1)InverseMapper：
在网上查了一下，hadoop本身就有一个将键值对颠倒顺序的了一个mapper，名字叫做InverseMapper，在交换了键值之后，还有一个问题。
(2)setSortComparatorClass：
hadoop中默认对IntWritable类型的key是以升序排列的，我们是要按照降序，所以重写sort过程中进行key值比较所参考的比较类。使用setSortComparatorClass方法设置比较类。
(3)setNumReduceTasks(1)：
至于reduce部分我们无须指定任何reduce，因为不需要做任何操作，只需要指定将所有键值对发送到一个reduce即可。
3运行过程
首先利用scp命令将停词文件以及wordcount的可执行jar传输到集群的mater01节点上面去。然后使用ssh命令登录到该节点：
然后在hdfs上面我们小组的目录下创建一个wordcount目录，以及子目录input。
然后使用hadoopfs -put命令将停词文件拷贝到该目录下：
然后以节点上本来就有的/data/shakespear目录下面的数据作为输入，将我们小组的/wordcount/output(不存在)作为输入，执行参数为-skip指定听此文件路径，-greater指定要统计的最低词频的单词，来执行wordcount：
在wordcount/output目录下面生成结果文件part-r-00000，打开之后发现结果和预期完全一致。词频从高到低，最低词频为10，并且在统计之前已经将标点符号去掉。
可以用hadoop fs -get /wordcount/output/part-r-00000 .命令下载到当前文件夹。
也可以打开浏览器：http://localhost:50070/dfshealth.jsp，选择Browse the filesystem来直接查看HDFS上面文件的内容。
在浏览器中打开：http://localhost:50030/jobtracker.jsp，查看工作运行状态以及结果：
4源程序，停词文件，可执行jar文件均参见本文件夹里。
=====================================================================================================
注意，我因为现在是在本机上面运行Hadoop作业，而不是像以前那样在远端master机器上面跑，所以有些地方不一样。
比如利用scp将wordcount.jar传到master机器上，以及用ssh登陆这些都不需要。
但是停词文本集合还是要上传到HDFS，还有之前实验莎士比亚文集的数据是老师已经放在HDFS上了，所以不需要我们上传，这些要自己将莎士比亚文集的数据上传到HDFS，命令是：
hadoop fs -put /shakespeare /data/shakespare
说实话，看着以前的图片，发现跑起来蛮快的，但是现在单机真心慢。。。
停词文本文件和莎士比亚文集数据有时间上传到百度云盘，这里先把代码贴出来供大家参考。
/**
* WordCount
* jiyq@seg.nju.edu.cn - 季义钦
* 统计输入文件各个单词出现频率
* 统计的时候对于“停词”(从文本文件读入)将不参与统计
* 最后按统计的词频从高到底输出
*
* 特别主import某个类的时候，确定你是要用哪个包所属的该类
*
* */
import java.io.BufferedReader;
import java.io.FileReader;
import java.io.IOException;
import java.util.*;
import org.apache.hadoop.filecache.DistributedCache;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.conf.*;
import org.apache.hadoop.io.*;
import org.apache.hadoop.mapreduce.*;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.SequenceFileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.map.InverseMapper;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.SequenceFileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
public class WordCount {
/**
* Map: 将输入的文本数据转换为<word-1>的键值对
* */
public static class WordCountMap extends Mapper<LongWritable, Text, Text, IntWritable> {
String regex = "[.,\"!--;:?'\\]]"; //remove all punctuation
Text word = new Text();
final static IntWritable one = new IntWritable(1);
HashSet<String> stopWordSet = new HashSet<String>();
/**
* 将停词从文件读到hashSet中
* */
private void parseStopWordFile(String path){
try {
String word = null;
BufferedReader reader = new BufferedReader(new FileReader(path));
while((word = reader.readLine()) != null){
stopWordSet.add(word);
}
} catch (IOException e) {
e.printStackTrace();
}
}
/**
* 完成map初始化工作
* 主要是读取停词文件
* */
public void setup(Context context) {
Path[] patternsFiles = new Path[0];
try {
patternsFiles = DistributedCache.getLocalCacheFiles(context.getConfiguration());
} catch (IOException e) {
e.printStackTrace();
}
if(patternsFiles == null){
System.out.println("have no stopfile\n");
return;
}
//read stop-words into HashSet
for (Path patternsFile : patternsFiles) {
parseStopWordFile(patternsFile.toString());
}
}
/**
* map
* */
public void map(LongWritable key, Text value, Context context)
throws IOException, InterruptedException {
String s = null;
String line = value.toString().toLowerCase();
line = line.replaceAll(regex, " "); //remove all punctuation
//split all words of line
StringTokenizer tokenizer = new StringTokenizer(line);
while (tokenizer.hasMoreTokens()) {
s = tokenizer.nextToken();
if(!stopWordSet.contains(s)){
word.set(s);
context.write(word, one);
}
}
}
}
/**
* Reduce: add all word-counts for a key
* */
public static class WordCountReduce extends Reducer<Text, IntWritable, Text, IntWritable> {
int min_num = 0;
/**
* minimum showing words
* */
public void setup(Context context) {
min_num = Integer.parseInt(context.getConfiguration().get("min_num"));
System.out.println(min_num);
}
/**
* reduce
* */
public void reduce(Text key, Iterable<IntWritable> values, Context context)
throws IOException, InterruptedException {
int sum = 0;
for (IntWritable val : values) {
sum += val.get();
}
if(sum < min_num) return;
context.write(key, new IntWritable(sum));
}
}
/**
* IntWritable comparator
* */
private static class IntWritableDecreasingComparator extends IntWritable.Comparator {
public int compare(WritableComparable a, WritableComparable b) {
return -super.compare(a, b);
}
public int compare(byte[] b1, int s1, int l1, byte[] b2, int s2, int l2) {
return -super.compare(b1, s1, l1, b2, s2, l2);
}
}
/**
* main: run two job
* */
public static void main(String[] args){
boolean exit = false;
String skipfile = null; //stop-file path
int min_num = 0;
String tempDir = "wordcount-temp-" + Integer.toString(new Random().nextInt(Integer.MAX_VALUE));
Configuration conf = new Configuration();
//获取停词文件的路径，并放到DistributedCache中
for(int i=0;i<args.length;i++)
{
if("-skip".equals(args[i]))
{
DistributedCache.addCacheFile(new Path(args[++i]).toUri(), conf);
System.out.println(args[i]);
}
}
//获取要展示的最小词频
for(int i=0;i<args.length;i++)
{
if("-greater".equals(args[i])){
min_num = Integer.parseInt(args[++i]);
System.out.println(args[i]);
}
}
//将最小词频值放到Configuration中共享
conf.set("min_num", String.valueOf(min_num)); //set global parameter
try{
/**
* run first-round to count
* */
Job job = new Job(conf, "jiq-wordcountjob-1");
job.setJarByClass(WordCount.class);
//set format of input-output
job.setInputFormatClass(TextInputFormat.class);
job.setOutputFormatClass(SequenceFileOutputFormat.class);
//set class of output's key-value of MAP
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
//set mapper and reducer
job.setMapperClass(WordCountMap.class);
job.setReducerClass(WordCountReduce.class);
//set path of input-output
FileInputFormat.addInputPath(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(tempDir));
if(job.waitForCompletion(true)){
/**
* run two-round to sort
* */
//Configuration conf2 = new Configuration();
Job job2 = new Job(conf, "jiq-wordcountjob-2");
job2.setJarByClass(WordCount.class);
//set format of input-output
job2.setInputFormatClass(SequenceFileInputFormat.class);
job2.setOutputFormatClass(TextOutputFormat.class);
//set class of output's key-value
job2.setOutputKeyClass(IntWritable.class);
job2.setOutputValueClass(Text.class);
//set mapper and reducer
//InverseMapper作用是实现map()之后的数据对的key和value交换
//将Reducer的个数限定为1, 最终输出的结果文件就是一个
/**
* 注意，这里将reduce的数目设置为1个，有很大的文章。
* 因为hadoop无法进行键的全局排序，只能做一个reduce内部
* 的本地排序。 所以我们要想有一个按照键的全局的排序。
* 最直接的方法就是设置reduce只有一个。
*/
job2.setMapperClass(InverseMapper.class);
job2.setNumReduceTasks(1); //only one reducer
//set path of input-output
FileInputFormat.addInputPath(job2, new Path(tempDir));
FileOutputFormat.setOutputPath(job2, new Path(args[1]));
/**
* Hadoop 默认对 IntWritable 按升序排序，而我们需要的是按降序排列。
* 因此我们实现了一个 IntWritableDecreasingComparator 类,
* 并指定使用这个自定义的 Comparator 类对输出结果中的 key (词频)进行排序
* */
job2.setSortComparatorClass(IntWritableDecreasingComparator.class);
exit = job2.waitForCompletion(true);
}
}catch(Exception e){
e.printStackTrace();
}finally{
try {
//delete tempt dir
FileSystem.get(conf).deleteOnExit(new Path(tempDir));
if(exit) System.exit(1);
System.exit(0);
} catch (IOException e) {
e.printStackTrace();
}
}
}
}
若有什么疑问和指教，欢迎交流，联系邮箱： jiq408694711@163.com 季义钦
作为兴趣点，目前本人正在研究HBase和Hadoop
评论暂时关闭