VMware centos7下通过idea实现Hadoop MapReduce经典案例之一的TopN案例

一：案例需求

现假设有数据文件num.txt，现要求使用MapReduce技术提取上述文本中最大的5个数据，并最终将结果汇总到一个文件中。先设置MapReduce分区为1，即ReduceTask个数一定只有一个。我们需要提取TopN，即全局的前N条数据，不管中间有几个Map、Reduce，最终只能有一个用来汇总数据。在Map阶段，使用TreeMap数据结构保存TopN的数据，TreeMap默认会根据其键的自然顺序进行排序，也可根据创建映射时提供的 Comparator进行排序，其firstKey()方法用于返回当前集合最小值的键。在Reduce阶段，将Map阶段输出数据进行汇总，选出其中的TopN数据，即可满足需求。这里需要注意的是，TreeMap默认采取正序排列，需求是提取5个最大的数据，因此要重写Comparator类的排序方法进行倒序排序。

二：案例实施

​第一步：下载idea以及需要的工具，可以参考Centos7安装并使用IntelliJ IDEA这篇文章。注意下载Linux版本。
​

第二步：下载并安装完idea，先启动Hadoop，使用命令：start-all.sh  启动完成后使用jps查看Hadoop集群是否启动成功。启动Hadoop成功后启动idea。

第三步：在虚拟机上创建文本文件

1.expor目录下创建topn目录，输入命令：mkdir /export/topn

2.在topn目录下创建num.txt文件，输入命令：touch /export/topn/num.txt

3输入命令：vim /export/topn/num.txt

向num.txt文件添加如下内容：

10 3 8 7 6 5 1 2 9 4

11 12 17 14 15 20

19 18 13 16

4上传文件到HDFS指定目录

（1）创建/topn/input目录，输入命令：hdfs dfs -mkdir -p /topn/input

（2）将文本文件num.txt，上传到HDFS的/topn/input目录，输入命令：hdfs dfs -put /export/topn/num.txt /topn/input

（3）在hadoop webui查看文件是否上传成功。

注意：这时候你要查看是否可以下载到本机，如果不可以下载的话，参考我另一篇文章。

三：Map阶段实现

使用IntelliJ开发工具创建Maven项目TopN，并且新建net.hw.mr包，在该路径下编写自定义Mapper类TopNMapper，主要用于将文件中的每行数据进行切割提取，并把数据保存到TreeMap中，判断TreeMap是否大于5，如果大于5就需要移除最小的数据。TreeMap保存了当前文件最大5条数据后，再输出到Reduce阶段。

（1）创建Maven项目：TopN

     1.在idea左上角新建项目。包名：net.army.mr配置好如下图，单击【Create】按钮

2.删除【Main】主类：右击【Main】类，单击【Delete】

3.添加相关依赖，在pom.xml文件里添加hadoop和junit依赖，添加内容如下：

<dependencies>                                        

    <!--hadoop客户端-->                                  

    <dependency>                                      

        <groupId>org.apache.hadoop</groupId>          

        <artifactId>hadoop-client</artifactId>        

        <version>3.3.4</version>                      

    </dependency>                                     

    <!--单元测试框架-->                                     

    <dependency>                                      

        <groupId>junit</groupId>                      

        <artifactId>junit</artifactId>                

        <version>4.13.2</version>                     

    </dependency>                                     

</dependencies>         

4 刷新本地的maven仓库，如果没有下载，会自动下载依赖到本地：单击【Maven】，单击【刷新】按钮

（这个过程需要idea自己下载，过程可能有点慢，耐心等待）

5创建日志属性文件

（1）在resources目录里创建log4j.properties文件，右击【resources】，选择【New】，单击【Resource Bundle】

（2）.在弹出的对话框中输入：log4j，按【OK】按钮，成功创建。（我这里已经创建好了，你们自己按照步骤创建即可）

（3）向log4j.properties文件添加如下内容：

log4j.rootLogger=INFO, stdout, logfile

log4j.appender.stdout=org.apache.log4j.ConsoleAppender

log4j.appender.stdout.layout=org.apache.log4j.PatternLayout

log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n

log4j.appender.logfile=org.apache.log4j.FileAppender

log4j.appender.logfile.File=target/topnscore.log

log4j.appender.logfile.layout=org.apache.log4j.PatternLayout

log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n

6创建前N成绩映射器类：TopNMapper

1.右击【net.army.mr】，选择【New】，单击【Java Class】

2编写代码：

package net.army.mr;

import org.apache.hadoop.io.IntWritable;

import org.apache.hadoop.io.LongWritable;

import org.apache.hadoop.io.NullWritable;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.Mapper;

import java.util.TreeMap;

/**

 * 作者：申朝先生

 * 日期：2024.4.27

 * 功能：前N映射器类

 */

public class TopNMapper extends Mapper<LongWritable, Text, NullWritable, IntWritable> {

    private TreeMap<Integer, String> repToRecordMap = new TreeMap<Integer, String>();

    // <0,10 3 8 7 6 5 1 2 9 4>

    // <xx,11 12 17 14 15 20>

    

@Override
public void map(LongWritable key, Text value, Context context) {
    String line = value.toString();
    String[] nums = line.split(" ");
    for (String num : nums) {
        try {
            if (!num.isEmpty()) {
                int numValue = Integer.parseInt(num.trim());
                repToRecordMap.put(numValue, " ");
                if (repToRecordMap.size() > 5) {
                    repToRecordMap.remove(repToRecordMap.firstKey());
                }
            }
        } catch (NumberFormatException e) {
            // 可以记录错误信息或者忽略这个值
            System.err.println("无法解析的数字: " + num);
        }
    }
}

   @Override

    protected void cleanup(Context context) {

        for (Integer i : repToRecordMap.keySet()) {

            try {

                context.write(NullWritable.get(), new IntWritable(i));

            } catch (Exception e) {

                e.printStackTrace();

            }

        }

    }

}

7.Reduce阶段实现

编写MapReduce程序运行主类TopNDriver，主要用于设置MapReduce工作任务的相关参数，对HDFS上/topn/input目录下的源文件求前N数据，并将结果输入到HDFS的/topn/output目录下。

（1）创建前N归并器类：TopNReducer

1.右击【net.army.mr】，选择【New】，单击【Java Class】

2编写代码：

package net.army.mr;

import org.apache.hadoop.io.IntWritable;

import org.apache.hadoop.io.NullWritable;

import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;

import java.util.Comparator;

import java.util.TreeMap;

/**

 * 作者：申朝先生

 * 日期：2024.4.27

 * 功能：前N归并器类

 */

public class TopNReducer extends Reducer<NullWritable, IntWritable, NullWritable, IntWritable> {

    private TreeMap<Integer, String> repToRecordMap = new TreeMap<Integer, String>(new Comparator<Integer>() {

        /**

         * 谁大排后面

         *

         * @param a

         * @param b

         * @return 一个整数

         */

        public int compare(Integer a, Integer b) {

            return b - a;

        }

    });

    public void reduce(NullWritable key, Iterable<IntWritable> values, Context context)

            throws IOException, InterruptedException {

        for (IntWritable value : values) {

            repToRecordMap.put(value.get(), " ");

            if (repToRecordMap.size() > 5) {

                repToRecordMap.remove(repToRecordMap.firstKey());

            }

        }

        for (Integer i : repToRecordMap.keySet()) {

            context.write(NullWritable.get(), new IntWritable(i));

        }

    }

}

8.Driver程序主类实现

（1）创建前N驱动器类：TopNDriver

1.右击【net.army.mr】，选择【New】，单击【Java Class】

2编写代码：

package net.army.mr;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.FSDataInputStream;

import org.apache.hadoop.fs.FileStatus;

import org.apache.hadoop.fs.FileSystem;

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.io.IOUtils;

import org.apache.hadoop.io.IntWritable;

import org.apache.hadoop.io.NullWritable;

import org.apache.hadoop.mapreduce.Job;

import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;

import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import java.net.URI;

/**

 * 作者：申朝先生

 * 日期：2024.4.27

 * 功能：前N驱动类

 */

public class TopNDriver {

    public static void main(String[] args) throws Exception {

        // 创建配置对象

        Configuration conf = new Configuration();

        // 设置数据节点主机名属性

        conf.set("dfs.client.use.datanode.hostname", "true");

        // 获取作业实例

        Job job = Job.getInstance(conf);

        // 设置作业启动类

        job.setJarByClass(TopNDriver.class);

        // 设置Mapper类

        job.setMapperClass(TopNMapper.class);

        // 设置map任务输出键类型

        job.setMapOutputKeyClass(NullWritable.class);

        // 设置map任务输出值类型

        job.setMapOutputValueClass(IntWritable.class);

        // 设置Reducer类

        job.setReducerClass(TopNReducer.class);

        // 设置reduce任务输出键类型

        job.setOutputKeyClass(NullWritable.class);

        // 设置reduce任务输出值类型

        job.setOutputValueClass(IntWritable.class);

        // 定义uri字符串

        String uri = "hdfs://master:9000";

        // 创建输入目录

        Path inputPath = new Path(uri + "/topn/input");

        // 创建输出目录

        Path outputPath = new Path(uri + "/topn/output");

        // 获取文件系统

        FileSystem fs = FileSystem.get(new URI(uri), conf);

        // 删除输出目录

        fs.delete(outputPath, true);

        // 给作业添加输入目录

        FileInputFormat.addInputPath(job, inputPath);

        // 给作业设置输出目录

        FileOutputFormat.setOutputPath(job, outputPath);

        // 等待作业完成

        job.waitForCompletion(true);

        // 输出统计结果

        System.out.println("======统计结果======");

        FileStatus[] fileStatuses = fs.listStatus(outputPath);

        for (int i = 1; i < fileStatuses.length; i++) {

            // 输出结果文件路径

            System.out.println(fileStatuses[i].getPath());

            // 获取文件输入流

            FSDataInputStream in = fs.open(fileStatuses[i].getPath());

            // 将结果文件显示在控制台

            IOUtils.copyBytes(in, System.out, 4096, false);

        }

    }

}

9运行前N驱动器类，查看结果

（1）运行TopNDriver类，查看结果

（2）下载结果文件并查看

进入/export/topn目录，输入命令：cd /export/topn/

下载文件，输入命令：hdfs dfs -get /topn/output/part-r-00000

查看结果文件，输入命令：cat part-r-00000

注意修改这两个地方的代码