首页 > 其他分享> 文章详细

调用MapReduce进行词频统计

2021-12-30 13:30:56 阅读：174 来源： 互联网

标签：调用 WordCount MapReduce hadoop job 词频 apache import

一、需求描述

Hadoop综合大作业要求：

1.将待分析的文件（不少于10000英文单词）上传到HDFS。

2.调用MapReduce对文件中各个单词出现的次数进行统计。

3.将统计结果下载本地。

4.写一篇博客描述你的分析过程和分析结果。

本次大作业，我们需要实现的是调用MapReduce对文件中各个单词出现的次数进行统计。要求在Linux系统中实现上述操作。首先要安装Ubuntu系统，然后要配置Java环境，安装JDK。Ubuntu提供了一个健壮，功能丰富的计算环境。

二、环境介绍

首先在Windows下安装VMware workstationPro,然后在VMware workstationPro上安装 Ubuntu 18.04。首先，在Ubuntu18.04虚拟机上安装JDK，配置JAVA环境。然后在 Ubuntu18.04 中安装 Hadoop并且配置Hadoop伪分布式。在Eclipse官网下载Eclipse Linux版本的安装包，上传到ubuntu上安装。安装好后，把待分析的文件上传到 HDFS，然后在 Eclipse 中创建 MapReduce项目，为项目添加需要用到的 JAR 包。运行词频统计代码并且将词频统计代码打包成二进制文件，对待词频统计的文件进行词频统计

三、数据来源及数据上传

准备一个待分析的 10000 字英文单词文件，命名为 syj.txt。文件内容为<<老人与海>>英文前两章（如图一所示）。并且使用共享文件夹的方式将syj.txt上传到虚拟机里面。

图1 文件内容

文件已经上传到/home/yaco/tools/hadoop/standby目录下了

图2 上传到ubuntu虚拟机

四、数据上传结果查看

启动 hadoop，将 syj.txt 上传至 HDFS：

图3 启动HDFS

图4 jps查看进程确认已经跑起来了

查看 HDFS input 文件，看是否存在syj.txt：

图5 查看syj.txt是否上传到了HDFS上

五、数据处理过程的描述

1、打开eclipse:

图6 打开eclipse

2、在 Eclipse 中创建 MapReduce 项目

图7

3.选择“File–>New–>Java Project”菜单，开始创建一个 Java 工程，弹出如下图所

示界面。

图8 创建一个java项目

Use defalut location 可以修改项目的保存路径，该选项可以自定义自己的保存路径，然后点击next即可。

4、为项目添加所依赖的JAR包，如图9所示，选择add terminal JARS

“/usr/local/hadoop/share/hadoop/common”目录下的 hadoop-common-3.1.3.jar 和 haoop-nfs-3.1.3.jar；
“/usr/local/hadoop/share/hadoop/common/lib”目录下的所有 JAR 包；
“/usr/local/hadoop/share/hadoop/mapreduce”目录下的所有 JAR 包，但是不包括 jdiff、lib、lib-examples 和 sources 目录。
“/usr/local/hadoop/share/hadoop/mapreduce/lib”目录下的所有 JAR 包。

图9 选择添加外部JAR包

图10 添加jar包完成

5、创建一个类，名为”WordCount”

图11 创建一个WordCount类

6、清空里面的代码，并将下述代码拷贝上去，如图12所示

import java.io.IOException;
import java.util.Iterator;
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 {
    public WordCount() {
    }
     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);
        }
        Job job = Job.getInstance(conf, "word count");
        job.setJarByClass(WordCount.class);
        job.setMapperClass(WordCount.TokenizerMapper.class);
        job.setCombinerClass(WordCount.IntSumReducer.class);
        job.setReducerClass(WordCount.IntSumReducer.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class); 
        for(int i = 0; i < otherArgs.length - 1; ++i) {
            FileInputFormat.addInputPath(job, new Path(otherArgs[i]));
        }
        FileOutputFormat.setOutputPath(job, new Path(otherArgs[otherArgs.length - 1]));
        System.exit(job.waitForCompletion(true)?0:1);
    }
    public static class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable> {
        private static final IntWritable one = new IntWritable(1);
        private Text word = new Text();
        public TokenizerMapper() {
        }
        public void map(Object key, Text value, Mapper<Object, Text, Text, IntWritable>.Context context) throws IOException, InterruptedException {
            StringTokenizer itr = new StringTokenizer(value.toString()); 
            while(itr.hasMoreTokens()) {
                this.word.set(itr.nextToken());
                context.write(this.word, one);
            }
        }
    }
public static class IntSumReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
        private IntWritable result = new IntWritable();
        public IntSumReducer() {
        }
        public void reduce(Text key, Iterable<IntWritable> values, Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException {
            int sum = 0;
            IntWritable val;
            for(Iterator i$ = values.iterator(); i$.hasNext(); sum += val.get()) {
                val = (IntWritable)i$.next();
            }
            this.result.set(sum);
            context.write(key, this.result);
        }
    }
}

图12 复制词频统计代码

7、点击|>按钮运行代码，如图13所示

图13 运行代码

8、打包成二进制可执行文件

File->Export进入到图14界面

图14 Export

9、指定二进制可执行文件的路径，点击finish就在指定路径下生成可执行文件

图15 指定可执行二进制文件的路径

六、处理结果的下载及命令行展示

1、进入刚刚导出的可执行文件的文件夹下的路径，查看是否存在了刚刚导出来的可执行文件

cd /home/yaco/tools/hadoop/myapp

图16 确认已经成功导出可执行文件

2、进入hadoop目录，使用可执行文件进行词频统计

./bin/hadoop jar ./myapp/WordCount.jar input output

图17 使用可执行文件进行词频统计

3、将处理结果下载到本地

bin/hdfs dfs -get output/* ./myapp/

图18 将处理结果下载到本地

4、命令行展示统计结果

cd myapp/

Cat part-r-00000

图19 统计结果展示

七、经验总结

通过这次的大作业，我学到了很多东西，安装hadoop伪分布式的时候，有两个小小的问题，书上可能没有提及的，一个是启动脚本需要添加指定用户的命令，另一个是在hadoop里面的环境变量的一个脚本还需要重新声明JAVA_HOME全局变量。如果hadoop伪分布式安装成功了，但是安装伪分布式的时候是指定的root用户，在mapreduce实验的时候也会出现如下问题：

跑二进制WordCount的时候没有输出，经过我的认真排查，终于发现了问题，我一开始安装hadoop的时候并不是指定hadoop用户，而是指定的root用户，所以要在文件输入的时候指定/user/root/input路径。才能成功输出词频统计结果，如果用户创建hadoop使用什么用户创建的就要指定对应的用户才能运行成功。

参考文献

[1]http://dblab.xmu.edu.cn/blog/2481-2/

[2]http://dblab.xmu.edu.cn/blog/3043-2/#more-3043

[3]http://dblab.xmu.edu.cn/blog/337-2/#more-337

[4]http://dblab.xmu.edu.cn/blog/tag/linux/

[5]http://dblab.xmu.edu.cn/blog/778-2/#more-778

标签：调用,WordCount,MapReduce,hadoop,job,词频,apache,import
来源： https://blog.csdn.net/qq_38941735/article/details/122233734

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9

调用MapReduce进行词频统计