MapReduce分布式计算包含两个阶段：Mapper和Reduce。一个完整的MapReduce程序在分布式计算时包括三类实例进程：
- MrAppMaster:负责整个程序的过程调度及状态协调；
- MapTask:负责Map阶段整个数据处理流程；
- ReduceTask:负责Reduce阶段整个数据处理流程。
MapReduce的两个阶段中：第一个阶段的MapTask并发实例，完全并行运行，互不相干；第二个阶段的ReduceTask并发实例互不相干，但是他们的数据依赖于上一个阶段的所有MapTask并发实例的输出。Reduce阶段需要等Map阶段处理完毕才会执行，所以大量数据要临时放在内存中。
案例：下面通过MapReduce实现统计一个文件中单词出现的频率。
一、Mapper阶段
- 用户自定义的Mapper要集成hadoop提供的Mapper类；
- Mapper的输入数据形式是KV键值对的形式，KV的类型可以自定义；
- Mapper的处理流程写在map方法中；
- Mapper的输出时KV键值对的形式，KV类型可以自定义；
- MapTask进程执行map方法时，对每一个KV调用一次，例如如果指定KV为<LongWritable, Text>，LongWritable表示每行，Text表示每行的内容，MapTask会对每行内容调用一次map方法。
```java
package com.lzj.hadoop.wordcount;
import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
/*
* LongWritable - 表示读取第几行
* Text - 表示读取一行的内容
* Text - 表示输出的键
* IntWritable - 表示输出的键对应的个数
* */
public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable>{
Text k = new Text(); //键
IntWritable v = new IntWritable(1); //值(值为1)
/*context设置输出*/
@Override
protected void map(LongWritable key, Text value, Context context)
throws IOException, InterruptedException {
/*1、获取读取一行的内容*/
String line = value.toString();
/*2、按空格切割读取的单词*/
String[] words = line.split(" ");
/*3、输出mapper处理完的内容*/
for(String word : words) {
/*给键设置值*/
k.set(word);
/*把mapper处理后的键值对写到context中*/
context.write(k, v);
}
}
}
二、Reduce阶段
- 用户自定义的Reducer类要继承hadoop提供的Reducer基类；
- Reducer的输入数据对应Mapper的输出数据，即为KV对形式；
- Reducer的处理流程写在reduce方法中；
- ReduceTask对每一组KV相同的K相同的执行一次reduce方法。
package com.lzj.hadoop.wordcount;
import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
/*
* Text - 输入的键（即Mapper阶段输出的键）
* IntWritable - 输入的值(个数)(即Mapper阶段输出的值)
* Text - 输出的键
* IntWritable - 输出的值
* */
public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable>{
/*text为输入的键，value为输入的内容*/
@Override
protected void reduce(Text text, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
/*1、统计键对应的个数*/
int sum = 0;
for(IntWritable value : values) {
sum = sum + value.get();
}
/*2、设置reducer的输出*/
IntWritable v = new IntWritable();
v.set(sum);
context.write(text, v);
}
}
三、Driver阶段
相当于yarn集群的客户端，用于提交我们整个程序到yarn集群，提交的是封装了MapReduce程序相关运行参数的job对象。
package com.lzj.hadoop.wordcount;
import java.io.IOException;
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.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
public class WordCountDriver {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
/*1、获取job的配置信息*/
Configuration conf = new Configuration();
Job job = Job.getInstance(conf);
/*2、设置jar的加载路径*/
job.setJarByClass(WordCountDriver.class);
/*3、分别设置Mapper和Reducer类*/
job.setMapperClass(WordCountMapper.class);
job.setReducerClass(WordCountReducer.class);
/*4、设置map的输出类型*/
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
/*5、设置最终输出的键值类型*/
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
/*6、设置输入输出路径*/
FileInputFormat.setInputPaths(job, new Path("D:/tmp/WordCountIn.txt"));
FileOutputFormat.setOutputPath(job, new Path("D:/tmp/WordCountOut"));
/*7、提交任务*/
boolean flag = job.waitForCompletion(true);
System.out.println("flag : " + flag);
}
}
测试，WordCountIn.txt文件中内容为：
zhang xue you
xie ting feng
zhang xin zhe
yu cheng qing
xiong nai jin
bao jian feng
zhang jie
zhang san feng
执行程序之后，WordCountOut目录下，打开part-r-00000，内容如下：
bao 1
cheng 1
feng 3
jian 1
jie 1
jin 1
nai 1
qing 1
san 1
ting 1
xie 1
xin 1
xiong 1
xue 1
you 1
yu 1
zhang 4
zhe 1
四、集群测试
下面把上述代码打包成jar，放到hadoop集群上进行运行，修改WordCountDriver类中输入文件和输出文件路径，设置成参数形式，便于测试
/*6、设置输入输出路径*/
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
通过maven打包成jar，pom依赖如下：
<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
<modelVersion>4.0.0</modelVersion>
<groupId>com.lzj</groupId>
<artifactId>hdfs</artifactId>
<version>0.0.1-SNAPSHOT</version>
<dependencies>
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>RELEASE</version>
</dependency>
<dependency>
<groupId>org.apache.logging.log4j</groupId>
<artifactId>log4j-core</artifactId>
<version>2.8.2</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-common</artifactId>
<version>2.7.2</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>2.7.2</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-hdfs</artifactId>
<version>2.7.2</version>
</dependency>
<dependency>
<groupId>jdk.tools</groupId>
<artifactId>jdk.tools</artifactId>
<version>1.8</version>
<scope>system</scope>
<systemPath>${JAVA_HOME}/lib/tools.jar</systemPath>
</dependency>
</dependencies>
<build>
<plugins>
<plugin>
<artifactId>maven-compiler-plugin</artifactId>
<version>2.3.2</version>
<configuration>
<source>1.8</source>
<target>1.8</target>
</configuration>
</plugin>
<plugin>
<artifactId>maven-assembly-plugin </artifactId>
<configuration>
<descriptorRefs>
<descriptorRef>jar-with-dependencies</descriptorRef>
</descriptorRefs>
<archive>
<manifest>
<mainClass>com.lzj.hadoop.wordcount.WordCountDriver</mainClass>
</manifest>
</archive>
</configuration>
<executions>
<execution>
<id>make-assembly</id>
<phase>package</phase>
<goals>
<goal>single</goal>
</goals>
</execution>
</executions>
</plugin>
</plugins>
</build>
</project>
执行maven install， 把生成的jar重命名成wordcount.jar，放到集群上，然后把测试的输入文件WordCountIn.txt文件放置到HDFS上的/user/lzj目录下，下面在hadoop集群中执行该jar
hadoop jar wordcount.jar com.lzj.hadoop.wordcount.WordCountDriver /user/lzj/WordCountIn.txt /user/lzj/output
执行成功后会在hdfs上/user/lzj/output目录下生成结果。