我是Hadoop的新手。我想运行一个MapReduce示例，并使用计算器映射器查看其结果。也就是说，我想知道，每个中间结果都是由哪个映射器计算的？可能吗？怎么样？
我安装了Hadoop 2.9.0（多节点集群）。
答案 0 :(得分：0)
首先我们看一下示例代码（我已经安装了HDP集群，因此.jar文件的路径可能不同）
示例文本文件作为输入：
$ bin / hadoop dfs -ls / wordcount / input /
/ wordcount / input / file01
/ wordcount / input / file02
$ bin / hadoop dfs -cat / wordcount / input / file01
Hello World Bye World
$ bin / hadoop dfs -cat / wordcount / input / file02
Hello Hadoop Goodbye Hadoop
运行应用程序：
$ bin / hadoop jar /usr/hdp/2.6x.x/hadoop-mapreduce/hadoo-mapreduce-examples.jar wordcount / wordcount / input / wordcount / output
注意：您不需要编写字数统计程序，它在mapreduce文件夹中默认给出，正如我所提到的。下面给出的代码仅供参考
<强>输出：
$ bin / hadoop dfs -cat / wordcount / output / part-00000
再见1
再见1
Hadoop 2
你好2
世界2
现在，让我们看看mapper和reducer如何在后端工作：
WordCount应用程序非常简单。
Mapper 实施（第14-26行），通过地图方法（第18-25行），处理一行时间，由指定的 TextInputFormat（第49行）提供。然后，它通过StringTokenizer将行拆分为由空格分隔的标记，并发出键值对＆lt; ，1＆gt;。
对于给定的样本输入，第一张地图会发出：
＆LT;您好，1＆gt;
＆LT;世界，1＆gt;
＆LT;再见，1>
＆LT;世界，1＆gt;
第二张地图会发出：
＆LT;您好，1＆gt;
＆LT; Hadoop，1＆gt;
＆LT;再见，1＆gt;
＆LT; Hadoop，1＆gt;
我们将在本教程的稍后部分详细了解为给定作业生成的地图数量，以及如何以细粒度方式控制它们。
WordCount还指定合并器（第46行）。因此，在按键排序后，每个映射的输出都通过本地组合器（与作业配置的Reducer相同）进行本地聚合。
第一张地图的输出：
＆LT;再见，1>
＆LT;您好，1＆gt;
＆LT;世界，2＆gt;
第二张地图的输出：
＆LT;再见，1＆gt;
＆LT; Hadoop，2＆gt;
＆LT;您好，1＆gt;
Reducer 实现（第28-36行），通过reduce方法（第29-35行）只是总结了值，这些值是每个值的出现次数key（即本例中的单词）。
因此作业输出：
＆LT;再见，1>
＆LT;再见，1＆gt;
＆LT; Hadoop，2＆gt;
＆LT;您好，2＆gt;
＆LT;世界，2＆gt;
run方法在JobConf中指定作业的各个方面，例如输入/输出路径（通过命令行传递），键/值类型，输入/输出格式等。然后调用 JobClient.runJob（第55行）来提交并监控其进度。
现在，这里提到的字数计划是：
1. package org.myorg;
2.
3. import java.io.IOException;
4. import java.util.*;
5.
6. import org.apache.hadoop.fs.Path;
7. import org.apache.hadoop.conf.*;
8. import org.apache.hadoop.io.*;
9. import org.apache.hadoop.mapred.*;
10. import org.apache.hadoop.util.*;
11.
12. public class WordCount {
13.
14. public static class Map extends MapReduceBase implements Mapper<LongWritable, Text, Text, IntWritable> {
15. private final static IntWritable one = new IntWritable(1);
16. private Text word = new Text();
17.
18. public void map(LongWritable key, Text value, OutputCollector<Text, IntWritable> output, Reporter reporter) throws IOException {
19. String line = value.toString();
20. StringTokenizer tokenizer = new StringTokenizer(line);
21. while (tokenizer.hasMoreTokens()) {
22. word.set(tokenizer.nextToken());
23. output.collect(word, one);
24. }
25. }
26. }
27.
28. public static class Reduce extends MapReduceBase implements Reducer<Text, IntWritable, Text, IntWritable> {
29. public void reduce(Text key, Iterator<IntWritable> values, OutputCollector<Text, IntWritable> output, Reporter reporter) throws IOException {
30. int sum = 0;
31. while (values.hasNext()) {
32. sum += values.next().get();
33. }
34. output.collect(key, new IntWritable(sum));
35. }
36. }
37.
38. public static void main(String[] args) throws Exception {
39. JobConf conf = new JobConf(WordCount.class);
40. conf.setJobName("wordcount");
44.
45. conf.setMapperClass(Map.class);
46. conf.setCombinerClass(Reduce.class);
47. conf.setReducerClass(Reduce.class);
48.
49. conf.setInputFormat(TextInputFormat.class);
50. conf.setOutputFormat(TextOutputFormat.class);
51.
52. FileInputFormat.setInputPaths(conf, new Path(args[0]));
53. FileOutputFormat.setOutputPath(conf, new Path(args[1]));
54.
55. JobClient.runJob(conf);
57. }
58. }
59.