Hadoop学习笔记（五）：java开发MapReduce

1. MapReduce的流程图（摘自马士兵老师视频），我们开发的就是其中的这两个（红框）过程。简述一下这个图，input就是我们需要处理的文件（datanode上文件的一个分块）；Split就是将这个文件进行拆分，默认的就是按照行来拆分，拆分的结果是一个key-value对，key是这一行起始的位置，value就是这一行的内容；map是我们需要开发的内容，也就是对这一行数据的处理，产生的结果也是一个key-value对；shuffle是把上一步处理后的数据进行一个汇总，把同样的key合并到一起，把所有的value放到一个容器里；reduce缩减，就是将上一步容器里的值进行求和，也是一个key-value对；output就是输出。

2. 如果是在windows机器上进行开发，需要对环境进行一些配置：

a). 首先添加hadoop的环境变量HADOOP_HOME指向hadoop的安装目录：

b). 把HADOOP_HOME/bin加到PATH环境变量（非必要）

c). 覆盖HADOOP_HOME/bin（到此处https://github.com/srccodes/hadoop-common-2.2.0-bin下载bin文件）

d). 将hadoop.dll复制到c:\windows\system32目录下（重启电脑）

3. 新建java项目，引入相应的jar包，jar包都位于HADOOP_HOME目录下的share/hadoop中，以下是jar清单：

a). common下hadoop-common-2.7.3.jar，已经common/lib下所有jar包。

b). hdfs下所有jar包，以及hdfs/lib下所有jar包。

c). mapreduce下所有jar包，以及mapreduce/lib下所有jar包。

d). yarn下所有jar包，以及yarn/lib下所有jar包。

4. 编写map层代码，新建WordMapper.java类：

5. 编写reduce层代码，新建WordReduce.java文件：

6. 编程测试层代码，新建Test.java（程序可以在windows独立运行，不用启动hadoop服务）

7. 运行测试代码，去到输出目录进行查看：

8. 打开该文件，查看运行结果：

9. 下面将这个程序扔到hadoop中运行。

10. 首先在hadoop上准备一个需要处理文件

11. 修改测试代码，只要修改两行就好了，然后运行（记得启动hadoop和yarn）：

FileInputFormat.setInputPaths(job, "hdfs://192.168.74.100:9000/input");

FileOutputFormat.setOutputPath(job, new Path("hdfs://192.168.74.100:9000/output"));

12. 在hadoop中查看运行结果

13. 需要注意的是（观看Eclipse的控制台），这个任务仍然是在本地执行的，也就是说，这个程序需要先将需要处理的文件下载的本地，然后再进行处理，显而易见，如果文件很大，这是很不合适的。

14. 我们要做的是将程序给hadoop执行，而不是将datanode的文件下载到本地，然后用本地的程序执行。修改后测试代码如下，注意，这里需要进行两个配置，在windows的host文件中添加master的ip：

然后，将项目打成jar包放到项目根目录下：

运行的时候，右击测试文件，选择Run Configurations，在Arguments的VM arguments中输入-DHADOOP_USER_NAME=root，然后点击Run

15. 查看该任务ID

16. 运行完上述代码，查看测试结果（自行查看），宿主机浏览器查看刚才的任务，发现刚才的任务是在slave3上执行的。