以经典的WordCount为例，介绍如何开发MapReduce程序，所使用的开发环境为Eclipse 4.3，Hadoop 2.6。
一、环境配置
首先在Eclipse里创建一个空的maven工程，然后编辑pom.xml文件引入hadoop所需依赖项。这里分两种情况，一般使用标准hadoop就够了；我这次由于集群环境使用的是CDH发行版，所以使用CDH提供的repository。
情况1：标准hadoop的pom配置：
<dependency> <groupId>org.apache.hadoop</groupId> <artifactId>hadoop-client</artifactId> <version>2.6.0</version> </dependency>
情况2：CDH发行版的pom配置（参考cloudera blog的文章，全部版本号可以在这里看到）：
<repositories> <repository> <id>cloudera-releases</id> <url>https://repository.cloudera.com/artifactory/cloudera-repos</url> <releases> <enabled>true</enabled> </releases> <snapshots> <enabled>false</enabled> </snapshots> </repository> </repositories> <dependency> <groupId>org.apache.hadoop</groupId> <artifactId>hadoop-client</artifactId> <version>2.6.0-mr1-cdh5.5.0</version> </dependency>
二、编写代码
WordCount相当于MapReduce的HelloWord，基本上是一个最小的MapReduce程序，完整代码可以在Hadoop官网教程里找到，为方便查看复制如下，并添加了若干注释：
import java.io.IOException;
import java.util.StringTokenizer;
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();
/**
* 这里的value表示文件中的一行文本
* 这里的key表示这行文本相对文件开头的偏移量
*/
public void map(Object key, Text value, Context context
) throws IOException, InterruptedException {
StringTokenizer itr = new StringTokenizer(value.toString());
while (itr.hasMoreTokens()) {
word.set(itr.nextToken());
context.write(word, one);
}
}
}
public static class IntSumReducer
extends Reducer<Text,IntWritable,Text,IntWritable> {
private IntWritable result = new IntWritable();
/**
* 这里的values表示单词对应的计数值（即one）列表
* 这里的key表示单词
*/
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);
job.setCombinerClass(IntSumReducer.class);
job.setReducerClass(IntSumReducer.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
FileInputFormat.addInputPath(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
}
mapper和recuder的代码看起来很简洁，实际上是因为hadoop为我们做了很多工作：
在调用map之前，hadoop会先将input目录中的文件切分为若干个FileSplit，对小文件每个文件就是一个FileSplit，对超过64M（hadoop的缺省块大小）的文件，每个文件会产生大于1个的FileSplit。
对每个FileSplit，hadoop再使用RecordReader处理为<key, value>对。
由于hadoop缺省使用TextInputFormat处理文件（见JobContextImpl#getInputFormatClass()方法），而TextInputFormat对应的RecordReader类型为LineRecordReader，因此处理的结果是按行的，具体来讲，是<偏移量, 一行文本>的形式。
以上是map阶段hadoop对数据的一些处理，更完整的mapreduce过程在这里先不详细展开了。
参考链接：