Hadoop: 單詞計數(Word Count)的MapReduce實現

1.Map與Reduce過程

1.1 Map過程

首先，Hadoop會把輸入數據劃分成等長的輸入分片(input split) 或分片發送到MapReduce。Hadoop為每個分片創建一個map任務，由它來運行用戶自定義的map函數以分析每個分片中的記錄。在我們的單詞計數例子中，輸入是多個文件，一般一個文件對應一個分片，如果文件太大則會劃分為多個分片。map函數的輸入以<key, value>形式做為輸入，value為文件的每一行，key為該行在文件中的偏移量(一般我們會忽視)。這裡map函數起到的作用為將每一行進行分詞為多個word，併在context中寫入<word, 1>以代表該單詞出現一次。

map過程的示意圖如下：

mapper代碼編寫如下：

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 {
        //每次處理一行，一個mapper里的value為一行,key為該行在文件中的偏移量
        StringTokenizer iter = new StringTokenizer(value.toString());
        while (iter.hasMoreTokens()) {
            word.set(iter.nextToken());
            // 向context中寫入<word, 1>
            context.write(word, one);
            System.out.println(word);
        }
    }
}

如果我們能夠並行處理分片（不一定是完全並行），且分片是小塊的數據，那麼處理過程將會有一個好的負載平衡。但是如果分片太小，那麼管理分片與map任務創建將會耗費太多時間。對於大多數作業，理想分片大小為一個HDFS塊的大小，預設是64MB。

map任務的執行節點和輸入數據的存儲節點相同時，Hadoop的性能能達到最佳，這就是電腦系統中所謂的data locality optimization（數據局部性優化）。而最佳分片大小與塊大小相同的原因就在於，它能夠保證一個分片存儲在單個節點上，再大就不能了。

1.2 Reduce過程

接下來我們看reducer的編寫。reduce任務的多少並不是由輸入大小來決定，而是需要人工單獨指定的（預設為1個）。和上面map不同的是，reduce任務不再具有本地讀取的優勢————一個reduce任務的輸入往往來自於所有mapper的輸出，因此map和reduce之間的數據流被稱為 shuffle(洗牌) 。Hadoop會先按照key-value對進行排序，然後將排序好的map的輸出通過網路傳輸到reduce任務運行的節點，併在那裡進行合併，然後傳遞到用戶定義的reduce函數中。

reduce 函數示意圖如下：

reducer代碼編寫如下：

 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);
        }
    }

2.完整代碼

2.1 項目架構

關於VSCode+Java+Maven+Hadoop開發環境搭建，可以參見我的博客《VSCode+Maven+Hadoop開發環境搭建》，此處不再贅述。這裡展示我們的項目架構圖：

Word-Count-Hadoop
├─ input
│  ├─ file1
│  ├─ file2
│  └─ file3
├─ output
├─ pom.xml
├─ src
│  └─ main
│     └─ java
│        └─ WordCount.java
└─ target

WordCount.java代碼如下：

import java.io.IOException;
import java.util.StringTokenizer;
import org.apache.hadoop.fs.FileSystem;
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;
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 {
        //每次處理一行，一個mapper里的value為一行,key為該行在文件中的偏移量
            StringTokenizer iter = new StringTokenizer(value.toString());
            while (iter.hasMoreTokens()) {
                word.set(iter.nextToken());
                // 向context中寫入<word, 1>
                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();
        Job job = Job.getInstance(conf, "word_count");

        job.setJarByClass(WordCount.class);

        job.setMapperClass(TokenizerMapper.class);
        //此處的Combine操作意為即第每個mapper工作完了先局部reduce一下，最後再全局reduce
        job.setCombinerClass(IntSumReducer.class);
        job.setReducerClass(IntSumReducer.class);

        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);

        //第0個參數是輸入目錄，第1個參數是輸出目錄
        //先判斷output path是否存在，如果存在則刪除
        Path path = new Path(args[1]);// 
        FileSystem fileSystem = path.getFileSystem(conf);
        if (fileSystem.exists(path)) {
            fileSystem.delete(path, true);
        }

        //設置輸入目錄和輸出目錄
        FileInputFormat.addInputPath(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));
        System.exit(job.waitForCompletion(true)?0:1);
    }
}

pom.xml中記得配置Hadoop的依賴環境：

    ...
  <!-- 集中定義版本號 -->
  <properties>
    <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
    <maven.compiler.source>17</maven.compiler.source>
    <maven.compiler.target>17</maven.compiler.target>
    <hadoop.version>3.3.1</hadoop.version>
  </properties>

  <dependencies>
    <dependency>
      <groupId>junit</groupId>
      <artifactId>junit</artifactId>
      <version>4.11</version>
      <scope>test</scope>
    </dependency>
    <!-- 導入hadoop依賴環境 -->
    <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-common</artifactId>
        <version>${hadoop.version}</version>
    </dependency>
    <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-hdfs</artifactId>
        <version>${hadoop.version}</version>
    </dependency>
    <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-mapreduce-client-core</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-yarn-api</artifactId>
        <version>${hadoop.version}</version>
    </dependency>
  </dependencies>
  ...
</project>

此外，因為我們的程式自帶輸入參數，我們還需要在VSCode的launch.json中配置輸入參數intput(代表輸入目錄)和output（代表輸出目錄）:

...
"args": [
    "input",
    "output"
],
...

編譯運行完畢後，可以查看output文件夾下的part-r-00000文件：

David	1
Goodbye	1
Hello	3
Tom	1
World	2

可見我們的程式正確地完成了單詞計數的功能。

參考

• [1] Hadoop官方文檔：MapReduce Tutorial
• [2] White T. Hadoop: The definitive guide[M]. " O'Reilly Media, Inc.", 2012.
• [3] Stack Overflow: What is the purpose of shuffling and sorting phase in the reducer in Map Reduce Programming?