通过在idea上搭建虚拟hadoop环境使用MapReduce做词频去重

idea上的MapReduce

​ 一般在开发中，若是等到环境搭配好了再进行测试或者统计数据，数据处理等操作，那会很耽误时间，所以一般都是2头跑，1波人去在客户机上搭建环境，1波人通过在idea上搭建虚拟hadoop环境，然后再虚拟环境下编写测试功能代码

使用Java API实现MapReduce经典案例

【案例1：数据去重】

1）配置windows下的hadoop环境变量

步骤1：将hadoop的安装包解压到指定位置（本例指定位置是:C:\Program Files)

步骤2：新建系统环境变量HADOOP_HOME

步骤3：编辑系统环境变量path

步骤4：添加windows系统的依赖文件，在hadoop安装路径下添加winutils.exe,winutils.pdb和hadoop.dll共3个文件

注意：

1）一定要重启电脑让以上配置生效（有时候不用重启也可以）

2）在命令提示符cmd中找不到hadoop的版本不影响后续编程

2）配置好Maven

步骤1：将maven相关文件夹apache-maven-3.6.0放在D盘的根目录

步骤2：使用idea新建maven项目,并做如下maven设置

3）编辑pom.xml文件，添加Maven库依赖

<dependencies><dependency><groupId>org.apache.hadoop</groupId><artifactId>hadoop-common</artifactId><version>3.1.3</version></dependency><dependency><groupId>org.apache.hadoop</groupId><artifactId>hadoop-hdfs</artifactId><version>3.1.3</version></dependency><dependency><groupId>org.apache.hadoop</groupId><artifactId>hadoop-client</artifactId><version>3.1.3</version></dependency><dependency><groupId>junit</groupId><artifactId>junit</artifactId><version>4.12</version></dependency>
</dependencies>

4）Map阶段的实现：编写DedupMapper.java代码 （教材P116

package com.xyzy;
import org.apache.hadoop.fs.Path;
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 org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.io.Text;
import java.io.IOException;public class DedupDriver {public static  void main (String[] args) throws IOException,ClassNotFoundException, InterruptedException {Configuration conf = new Configuration();Job job = Job.getInstance(conf);job.setJarByClass(DedupDriver.class);job.setMapperClass(DedupMapper.class);job.setReducerClass(DedupReducer.class);job.setOutputKeyClass(Text.class);job.setOutputValueClass(NullWritable.class);FileInputFormat.setInputPaths(job,new Path("D:/testdata/input"));FileOutputFormat.setOutputPath(job, new Path("D:/testdata/output2"));boolean res = job.waitForCompletion(true);System.exit(res ? 0 : 1);}
}

5）Reduce阶段的实现：编写DedupReducer.java代码（教材P117)

package com.xyzy;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.io.IOException;public class DedupMapper extends Mapper<LongWritable, Text, Text,NullWritable> {private static Text field = new Text();@ Overrideprotected void map(LongWritable key, Text value , Context context)throws IOException, InterruptedException{field = value;context.write(field, NullWritable.get());}
}

6）驱动类的实现：编写DedupDriver.java代码（教材P117）

package com.xyzy;import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;public class DedupReducer extends Reducer<Text,NullWritable, Text,NullWritable> {@ Overrideprotected void reduce(Text key, Iterable<NullWritable>value,Context context) throwsIOException, InterruptedException{context.write(key, NullWritable.get());}
}

7）要提前在d:/testdata/input中准备好素材(提醒一下output不是自己创建的文件夹，而是运行系统自动生成的！！！)

8）运行后的效果：

自动在d:/testdata/产生目录output,内容如下：

如果已经产生一次结果，若再想使用去重操作，则需要改写结果存储的文件夹名，例如将output改为output1即可