MR的词频统计

作者: 喵星人ZC | 来源:发表于2019-11-07 00:33 被阅读0次

MR的词频统计
用Py做文本分析3：制作词云图
词频统计
词频统计
辽经干python 元组和字典（2）
统计词频并按词频排序
开启自学人生
python统计词频
python统计词频
bash统计词频

1、准备文件

[hadoop@hadoop000 ~]$ hdfs dfs -text /data/wordcount.txt
spark   hadoop  hadoop
hive    hbase   hbase
hive    hadoop  hadoop
hive    hadoop  hadoop

2、MR的词频统计代码
pom文件

服务器是hadoop-2.6.0-cdh5.7.0版本 此处写2.6.5并不影响编写代码 一般是打瘦包到服务器运行

<hadoop.version>2.6.5</hadoop.version>

<!--添加hadoop依赖-->
    <dependency>
      <groupId>org.apache.hadoop</groupId>
      <artifactId>hadoop-common</artifactId>
      <version>${hadoop.version}</version>
    </dependency>
    <dependency>
      <groupId>org.apache.hadoop</groupId>
      <artifactId>hadoop-client</artifactId>
      <version>${hadoop.version}</version>
    </dependency>
    <dependency>
      <groupId>org.apache.hadoop</groupId>
      <artifactId>hadoop-hdfs</artifactId>
      <version>${hadoop.version}</version>
    </dependency>

代码

package com.hadoop_train.wordcount;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
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 java.io.IOException;

public class WordCountApp {

    //Map
    public static class MyMapper extends Mapper<LongWritable,Text,Text,LongWritable>{

        @Override
        protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
            String lines = value.toString();
            String[] splited = lines.split("\t");

            for (String word : splited) {
                //context.write((KEYOUT) key, (VALUEOUT) value)
                context.write(new Text(word), new LongWritable(1));
            }
        }
    }


    public static class MyReduce extends Reducer<Text, LongWritable, Text, LongWritable>{

        @Override
        protected void reduce(Text key, Iterable<LongWritable> values, Context context) throws IOException, InterruptedException {
            long count = 0L;
            for (LongWritable v2 : values) {
                count += v2.get();
            }

            LongWritable v3 = new LongWritable(count);
            context.write(key, v3);
        }
    }

    public static void main(String[] args) throws Exception {

        if (args.length != 2) {
            System.err.println("please input 2 params: input output");
            System.exit(0);
        }

        Configuration conf = new Configuration();


        //执行Job前 判断输出目录是否存在 存在就删除 避免数据重复
        FileSystem fileSystem = FileSystem.get(conf);
        Path outputPath = new Path(args[1]);
        if (fileSystem.exists(outputPath)) {
            fileSystem.delete(outputPath, true);
        }


        //设置作业
        Job job = Job.getInstance(conf, WordCountApp.class.getSimpleName());
        //打成jar执行
        job.setJarByClass(WordCountApp.class);

        //获取数据
        FileInputFormat.setInputPaths(job, args[0]);
        //使用哪个mapper处理输入的数据
        job.setMapperClass(MyMapper.class);
        //map输出的数据类型是什么
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(LongWritable.class);

        //使用哪个reducer处理输入的数据
        job.setReducerClass(MyReduce.class);
        //reduce输出的数据类型是什么
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(LongWritable.class);


        //处理结果输出路径
        FileOutputFormat.setOutputPath(job, new Path(args[1]));

        //交给yarn去执行，直到执行结束才退出本程序
        job.waitForCompletion(true);

    }

}

map函数的说明

public class Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT> 

protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, LongWritable>.Context context)

 /**
     * KEYIN    即K1     表示每一行的起始位置（偏移量offset）
     * VALUEIN  即v1     表示每一行的文本内容
     * KEYOUT   即k2     表示每一行中的每个单词
     * VALUEOUT 即v2     表示每一行中的每个单词的出现次数，固定值1
**/

前两个参数Key和value比较好理解，就是输入的key和value。第三个是Context是来记录和存储输入的key和value，来传递给下游reduce

reduce函数的说明

public class Reducer<KEYIN,VALUEIN,KEYOUT,VALUEOUT>

rotected void reduce(Text key, Iterable<LongWritable> values, Reducer<Text, LongWritable, Text, LongWritable>.Context context)

/**
     * KEYIN    即k2     表示每一行中的每个单词
     * VALUEIN  即v2     表示每一行中每个单词出现次数，固定值1
     * KEYOUT   即k3     表示整个文件中的不同单词
     * VALUEOUT 即v3     表示整个文件中的不同单词的出现总次数
 **/

reduce函数的输入也是一个key/value的形式，不过它的value是一个迭代器的形式Iterable<IntWritable> values，也就是说reduce的输入是一个key对应一组的值的value，reduce也有context和map的context作用一致。

3、打包运行测试
将程序进行打包上传至服务器后运行

hadoop jar hadoop-1.0.jar  com.hadoop_train.wordcount.WordCountApp /data/* /out

查看结果

[hadoop@hadoop000 ~]$ hadoop fs -text /out/*
hadoop  6
hbase   2
hive    3
spark   1

4、MR的整个流程可以总结为以下阶段

image.png

数据分片（input split）
在进行map计算之前，mapreduce会根据输入文件计算输入分片（input split），每个输入分片（input split）针对一个map任务，输入分片（input split）存储的并非数据本身，而是一个分片长度和一个记录数据的位置的数组，输入分片（input split）往往和hdfs的block（块）关系很密切，假如我们设定hdfs的块的大小是64mb，如果我们输入有三个文件，大小分别是3mb、65mb和127mb，那么mapreduce会把3mb文件分为一个输入分片（input split），65mb则是两个输入分片（input split）而127mb也是两个输入分片（input split），换句话说我们如果在map计算前做输入分片调整，例如合并小文件，那么就会有5个map任务将执行，而且每个map执行的数据大小不均，这个也是mapreduce优化计算的一个关键点。
map阶段
combiner阶段
Combiner是一个本地化的reduce操作，它是map运算的后续操作，主要是在map计算出中间文件前做一个简单的合并重复key值的操作
Shuffle阶段
将map的输出作为reduce的输入的过程就是shuffle了。Shuffle一开始就是map阶段做输出操作，一般mapreduce计算的都是海量数据，map输出时候不可能把所有文件都放到内存操作，因此map写入磁盘的过程十分的复杂，更何况map输出时候要对结果进行排序，内存开销是很大的，map在做输出时候会在内存里开启一个环形内存缓冲区，这个缓冲区专门用来输出的，默认大小是100mb，并且在配置文件里为这个缓冲区设定了一个阀值，默认是0.80（这个大小和阀值都是可以在配置文件里进行配置的），同时map还会为输出操作启动一个守护线程，如果缓冲区的内存达到了阀值的80%时候，这个守护线程就会把内容写到磁盘上，这个过程叫spill，另外的20%内存可以继续写入要写进磁盘的数据，写入磁盘和写入内存操作是互不干扰的，如果缓存区被撑满了，那么map就会阻塞写入内存的操作，让写入磁盘操作完成后再继续执行写入内存操作。
每次spill操作也就是写入磁盘操作时候就会写一个溢出文件，也就是说在做map输出有几次spill就会产生多少个溢出文件，等map输出全部做完后，map会合并这些输出文件。这个过程里还会有一个Partitioner操作，对于这个操作很多人都很迷糊，其实Partitioner操作和map阶段的输入分片（Input split）很像，一个Partitioner对应一个reduce作业，如果我们mapreduce操作只有一个reduce操作，那么Partitioner就只有一个，如果我们有多个reduce操作，那么Partitioner对应的就会有多个，Partitioner因此就是reduce的输入分片，这个程序员可以编程控制，主要是根据实际key和value的值，根据实际业务类型或者为了更好的reduce负载均衡要求进行，这是提高reduce效率的一个关键所在。到了reduce阶段就是合并map输出文件了，Partitioner会找到对应的map输出文件，然后进行复制操作，复制操作时reduce会开启几个复制线程，这些线程默认个数是5个，程序员也可以在配置文件更改复制线程的个数，这个复制过程和map写入磁盘过程类似，也有阀值和内存大小，阀值一样可以在配置文件里配置，而内存大小是直接使用reduce的tasktracker的内存大小，复制时候reduce还会进行排序操作和合并文件操作，这些操作完了就会进行reduce计算了。
reduce阶段