2019-07-13 WordCount.java 解析

安装配置好Hadoop后，在目录
\hadoop-版本号\share\hadoop\mapreduce\sources下有hadoop-common-版本号-sources.jar 文件，其中包含了Hadoop的WordCount的demo。
把hadoop-common-版本号-sources.jar 文件使用WinRAR软件解压后，在org\apache\hadoop\examples 中可以找到WordCount.java文件，此处对它进行分析。源码内容如下（此处版本为2.7.1）：

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 {

  public static class TokenizerMapper 
       extends Mapper<Object, Text, Text, IntWritable>{
    
    private final static IntWritable one = new IntWritable(1);
    private Text word = new Text();
      
    public void map(Object key, Text value, Context context
                    ) throws IOException, InterruptedException {
      StringTokenizer itr = new StringTokenizer(value.toString());
      while (itr.hasMoreTokens()) {
        word.set(itr.nextToken());
        context.write(word, one);
      }
    }
  }
  
  public static class IntSumReducer 
       extends Reducer<Text,IntWritable,Text,IntWritable> {
    private IntWritable result = new IntWritable();

    public void reduce(Text key, Iterable<IntWritable> values, 
                       Context context
                       ) throws IOException, InterruptedException {
      int sum = 0;
      for (IntWritable val : values) {
        sum += val.get();
      }
      result.set(sum);
      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);
    }
    Job job = Job.getInstance(conf, "word count");
    job.setJarByClass(WordCount.class);
    job.setMapperClass(TokenizerMapper.class);
    job.setCombinerClass(IntSumReducer.class);
    job.setReducerClass(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);
  }
}

可以看到，要运行一个Hadoop程序（一个job），我们需要两个类：

• 继承Mapper的类
• 继承Reducer的类

然后在程序入口——main函数中调用它们

此处继承 Mapper 的类是 TokenizerMapper 类，我们来看一下它的结构：
泛型：

• Object 对应KEYIN是输入的key的类型
• Text 对应VALUEIN是输入value的类型
• Text 对应 KEYOUT是输出的key的类型
• IntWritable 对应 VALUEOUT是输出value的类型

来源于Mapper类：
public class Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT> {
其中，KEYIN是输入的key的类型，VALUEIN是输入value的类型
KEYOUT是输出的key的类型， VALUEOUT是输出value的类型
我们对照着 reduce 函数的参数来看， 函数的参数声明为： map(Object key, Text value, Context context )
来理解一下参数的含义，key是传入的一行文本它在文件中的的起始偏移量，传入的value是Text类型的，其是程序入口main函数给定输入参数args[0]（若只有一个输入文件）所代表的文本的一行。context 可以理解为是接受我们在map阶段的输出的容器。

输入的文本路径设置代码为：FileInputFormat.addInputPath(job, new Path(otherArgs[i]));
在后面版本中，好像方法变成了：FileInputFormat.setInputPaths

继承 Reducer 的类是 IntSumReducer 类，它的结构为：
泛型：

• Text
• IntWritable
• Text
• IntWritable

来源于Reducer类：
Reducer<KEYIN,VALUEIN,KEYOUT,VALUEOUT>
涵义类似于上面的map，对照参看即可。
我们来看reduce的参数：
(Text key, Iterable<IntWritable> values, Context context )
其中key是map阶段的context写入的key值（在此示例中，是一个单词），values是map阶段写入context的相同key值的value的次数（比如此程序中的one）所组成的集合（形式类似于[1,1,1,1])。
context 和map阶段类似，可以理解为是接受我们在reduce阶段的输出的容器。