WordCount简析

package org.apache.hadoop.examples;

import java.io.IOException;
import java.util.StringTokenizer;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
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.GenericOptionsParser;

public class WordCount {
    /**
     * map 阶段
     * <p>
     * Object 此处为文本数据的起始位置的偏移量;可以直接使用 Long 类型，源码此处使用Object做了泛化
     * Text 输入< key, value >对的 value 值，此处为一段具体的文本数据
     * Text 输出< key, value >对的 key 值，此处为一个单词
     * IntWritable：输出< key, value >对的 value 值，此处固定为 1
     */
    public static class TokenizerMapper
            extends Mapper<Object, Text, Text, IntWritable> {
        // IntWritable 是 Hadoop 对 Integer 的进一步封装，使其可以进行序列化。
        private final static IntWritable one = new IntWritable(1);
        // map 端的任务是对输入数据按照单词进行切分，每个单词为 Text 类型。
        private Text word = new Text();

        /**
         * @param key     输入数据在原数据中的偏移量
         * @param value   具体的数据数据，此处为一段字符串
         * @param context 用于暂时存储 map() 处理后的结果
         * @throws IOException          IO异常
         * @throws InterruptedException 中断异常
         */
        @Override
        public void map(Object key, Text value, Context context
        ) throws IOException, InterruptedException {
            // 字符串分割，也可以用 apache.common.lang3的 StringUtils.split
            StringTokenizer itr = new StringTokenizer(value.toString());
            // map 输出的 key value
            while (itr.hasMoreTokens()) {
                word.set(itr.nextToken());
                context.write(word, one);
            }
        }
    }

    /**
     * reduce阶段，map的输出是reduce的输入
     * Text：输入< key, value >对的key值，此处为一个单词
     * IntWritable：输入< key, value >对的value值
     * Text：输出< key, value >对的key值，此处为一个单词
     * IntWritable：输出< key, value >对，此处为相同单词词频累加之后的值。实际上就是一个数字
     */
    public static class IntSumReducer
            extends Reducer<Text, IntWritable, Text, IntWritable> {
        private IntWritable result = new IntWritable();

        /**
         * @param key     输入< key, value >对的key值，也就是一个单词
         * @param values  一系列的key值相同的序列化结构
         * @param context 临时存储reduce端产生的结果
         * @throws IOException          IO异常
         * @throws InterruptedException 中断异常
         */
        @Override
        public void reduce(Text key, Iterable<IntWritable> values,
                           Context context
        ) throws IOException, InterruptedException {
            // 将相同的key进行合并，value累加
            int sum = 0;
            for (IntWritable val : values) {
                sum += val.get();
            }
            result.set(sum);
            // 单词和它的数目
            context.write(key, result);
        }
    }

    public static void main(String[] args) throws Exception {
        Configuration conf = new Configuration();
        String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
        if (otherArgs.length < 2) {
            System.err.println("Usage: wordcount <in> [<in>...] <out>");
            System.exit(2);
        }
        // main函数调用Job类及逆行MapReduce 作业的初始化
        Job job = Job.getInstance(conf, "word count");
        job.setJarByClass(WordCount.class);
        // 设置 job 的 map 阶段的执行类
        job.setMapperClass(TokenizerMapper.class);
        // 设置 job 的 combine 阶段的执行类
        job.setCombinerClass(IntSumReducer.class);
        // 设置 job 的 reduce 阶段的执行类
        job.setReducerClass(IntSumReducer.class);
        // map的输出 key、value 映射
        job.setOutputKeyClass(Text.class);
        // 设置程序的输出的value值的类型
        job.setOutputValueClass(IntWritable.class);
        // 调用 addInputFormat 设置输入路径
        for (int i = 0; i < otherArgs.length - 1; ++i) {
            // Path 是绝对路径
            FileInputFormat.addInputPath(job, new Path(otherArgs[i]));
        }
        // 输入文件 和 输出文件的路径
        FileOutputFormat.setOutputPath(job,
                new Path(otherArgs[otherArgs.length - 1]));
        // 等待任务完成，任务完成之后退出程序
        System.exit(job.waitForCompletion(true) ? 0 : 1);
    }
}