Java Hadoop：我如何创建作为输入文件的输出器并给出一个输出，即每个文件中的行数？

Question

我是Hadoop的新手，我只是运行wordCount示例： http ：//hadoop.apache.org/common/docs/r0.18.2/mapred_tutorial.html

假设我们有一个包含3个文件的文件夹。 我希望每个文件都有一个映射器，这个映射器只计算行数并将其返回到reducer。

然后，reducer将输入每个映射器的行数作为输入，并将所有3个文件中存在的总行数作为输出。

所以，如果我们有以下3个文件

input1.txt
input2.txt
input3.txt

并且映射器返回：

mapper1 -> [input1.txt, 3]
mapper2 -> [input2.txt, 4]
mapper3 -> [input3.txt, 9]

减速器将输出

3+4+9 = 16 

我在一个简单的java应用程序中完成了这个，所以我想在Hadoop中完成它。 我只有一台计算机，并希望尝试在伪分布式环境中运行。

我怎样才能实现这个目标？ 我应该采取什么适当的措施？

我的代码应该在apache的示例中看起来像那样吗？ 我将有两个静态类，一个用于mapper，一个用于reducer？ 或者我应该有3个类，每个映射器一个？

如果你能指导我完成这个，我不知道如何做到这一点，我相信如果我设法编写一些代码来做这些东西，那么我将来能够编写更复杂的应用程序。

谢谢！

Answer 1

除了sa125的答案之外，你可以通过不为每个输入记录发出记录来大大提高性能，而只是在映射器中累积一个计数器，然后在mapper清理方法中，发出文件名和计数值：

public class LineMapper extends Mapper<LongWritable, Text, Text, LongWritable> {
    protected long lines = 0;

    @Override
    protected void cleanup(Context context) throws IOException,
            InterruptedException {
        FileSplit split = (FileSplit) context.getInputSplit();
        String filename = split.getPath().toString();

        context.write(new Text(filename), new LongWritable(lines));
    }

    @Override
    protected void map(LongWritable key, Text value, Context context)
            throws IOException, InterruptedException {
        lines++;
    }
}

Answer 2

我注意到你使用的是0.18版本的文档。 这是1.0.2 （最新） 的链接 。

第一个建议 - 使用IDE（eclipse，IDEA等）。 填补空白真的很有帮助。

在实际的HDFS中，您无法知道文件的每个部分所在的位置（不同的计算机和群集）。 没有保证行X甚至与行Y驻留在同一磁盘上。也不能保证行X不会在不同的机器上分割（HDFS以块的形式分配数据，通常每块64Mb）。 这意味着您不能假设相同的映射器将处理整个文件。 您可以确保每个文件都由同一个reducer处理 。

由于reducer对于映射器发送的每个键都是唯一的，所以我这样做的方法是使用文件名作为映射器中的输出键。 此外，映射器的默认输入类是TextInputFormat ，这意味着每个映射器将自己接收整行（由LF或CR终止）。 然后，您可以从映射器中发出文件名和数字1（或者其他与计算无关的内容）。 然后，在reducer中，您只需使用一个循环来计算接收文件名的次数：

在mapper的map函数中

public static class Map extends Mapper<IntWritable, Text, Text, Text> {

  public void map(IntWritable key, Text value, Context context) {
    // get the filename
    InputSplit split = context.getInputSplit();
    String fileName = split.getPath().getName();

    // send the filename to the reducer, the value
    // has no meaning (I just put "1" to have something)
    context.write( new Text(fileName), new Text("1") );
  }

}

在reducer的reduce函数中

public static class Reduce extends Reducer<Text, Text, Text, Text> {

  public void reduce(Text fileName, Iterator<Text> values, Context context) {
    long rowcount = 0;

    // values get one entry for each row, so the actual value doesn't matter
    // (you can also get the size, I'm just lazy here)
    for (Text val : values) {
      rowCount += 1;
    }

    // fileName is the Text key received (no need to create a new object)
    context.write( fileName, new Text( String.valueOf( rowCount ) ) );
  }

}

在司机/主要

您几乎可以使用与wordcount示例相同的驱动程序 - 请注意，我使用了新的mapreduce API，因此您需要调整一些内容（ Job而不是JobConf等）。 当我读到它时， 这真的很有帮助 。

请注意，您的MR输出将只是每个文件名及其行数：

input1.txt    3
input2.txt    4
input3.txt    9

如果您只想计算所有文件中的TOTAL行数，只需在所有映射器中发出相同的键（而不是文件名）。 这样，只有一个reducer可以处理所有行计数：

// no need for filename
context.write( new Text("blah"), new Text("1") );

您还可以链接一个工作，该工作将处理每个文件行数的输出，或者做其他奇特的工作 - 这取决于您。

我留下了一些样板代码，但基础知识就在那里。 一定要检查我，因为我从记忆中输入了大部分内容.. :)

希望这可以帮助！