WordCount代码实现详解

/**
 * Licensed to the Apache Software Foundation (ASF) under one
 * or more contributor license agreements.  See the NOTICE file
 * distributed with this work for additional information
 * regarding copyright ownership.  The ASF licenses this file
 * to you under the Apache License, Version 2.0 (the
 * "License"); you may not use this file except in compliance
 * with the License.  You may obtain a copy of the License at
 *
 *     http://www.apache.org/licenses/LICENSE-2.0
 *
 * Unless required by applicable law or agreed to in writing, software
 * distributed under the License is distributed on an "AS IS" BASIS,
 * WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
 * See the License for the specific language governing permissions and
 * limitations under the License.
 */
package org.apache.hadoop.examples;
//导入必要的package
import java.io.IOException;        //报错类                                       
import java.util.StringTokenizer;  //StringTokenizer类，用于将空白字符作为分割符的类

import org.apache.hadoop.conf.Configuration;//Hadoop中用于读取配置信息的类
import org.apache.hadoop.fs.Path;           //有关文件系统输入输出数据的类
import org.apache.hadoop.io.IntWritable;    //封装定义了IntWritable类
import org.apache.hadoop.io.Text;           //封装定义了Text类
import org.apache.hadoop.mapreduce.Job;     //封装定义了Job类
import org.apache.hadoop.mapreduce.Mapper;  //封装定义了Mapper类
import org.apache.hadoop.mapreduce.Reducer; //封装定义了Reducer类
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;   //文件输入要用到的类
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; //文件输出要用到的类
import org.apache.hadoop.util.GenericOptionsParser;             //GenericOptionsParser类，用来解释常用hadoop命令，并根据需要为Configuration对象设置相应的值

public class WordCount {

  public static class TokenizerMapper 
       extends Mapper<Object, Text, Text, IntWritable>{         //自定义的TokenizerMapper类，继承自前面导入的Mapper类
    
    private final static IntWritable one = new IntWritable(1);  //实例化了一个IntWritable类的one对象并赋值为常量1
    private Text word = new Text();                             //实例化了一个Text类的对象word
      
    public void map(Object key, Text value, Context context     //定义Map方法
                    ) throws IOException, InterruptedException {

//这里说一下context类，它是Mapper的一个内部类，它用来与MapReduce系统进行通信，如把map的结果传给reduce处理。简单的说顶级接口用它在map或是reduce任务中跟踪task的状态，MapContext就是记录了map执行的上下文，在mapper类中，这个context可以存储一些job conf的信息，同时context作为了map和reduce执行中各个函数的一个桥梁，我们可以在map函数中处理这个信息

      StringTokenizer itr = new StringTokenizer(value.toString());//实例化了一个以空白字符为分隔符的StringTokenizer类的对象itr
      while (itr.hasMoreTokens()) {//如果判断还有下一个分隔符（空格）
        word.set(itr.nextToken()); //则输出并返回之间的字符串给word
        context.write(word, one);  //context.write方法将（word，1）这样的二元组存入context中
      }
    }
  }
  
  public static class IntSumReducer                           //自定义的IntSumReducer类，继承自前面导入的Reducer类                             
       extends Reducer<Text,IntWritable,Text,IntWritable> {
    private IntWritable result = new IntWritable();           //实例化了一个IntWritable类的result对象

    public void reduce(Text key, Iterable<IntWritable> values,Context context//定义Reduce方法，这里迭代器（Iterator）是一种设计模式，它是一个对象，它可以遍历并选择序列（IntWritable）中的对象，而开发人员不需要了解该序列的底层结构。
                       ) throws IOException, InterruptedException {
      int sum = 0;
      for (IntWritable val : values) {
        sum += val.get();//将该词的出现次数相加
      }
      result.set(sum);//将sum赋给result
      context.write(key, result);//输出最终结果
    }
  }

  public static void main(String[] args) throws Exception {
    Configuration conf = new Configuration();
  //运行MapReduce程序前都要初始化Configuration，该类主要是读取MapReduce系统配置信息，这些信息包括hdfs还有MapReduce，也就是安装hadoop时候的配置文件例如：core-site.xml、hdfs-site.xml和mapred-site.xml等等文件里的信息，有些童鞋不理解为啥要这么做，这个是没有深入思考MapReduce计算框架造成，我们程序员开发MapReduce时候只是在填空，在map函数和reduce函数里编写实际进行的业务逻辑，其它的工作都是交给MapReduce框架自己操作的，但是至少我们要告诉它怎么操作啊，比如hdfs在哪里，MapReduce的jobstracker在哪里，而这些信息就在conf包下的配置文件里。

    String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
    if (otherArgs.length < 2) {
      System.err.println("Usage: wordcount <in> [<in>...] <out>");
      System.exit(2);
    }//If的语句好理解，就是运行WordCount程序时候一定是两个参数，如果不是就会报错退出。至于第一句里的GenericOptionsParser类，它是用来解释常用hadoop命令，并根据需要为Configuration对象设置相应的值
    Job job = Job.getInstance(conf, "word count");//用Job.getInstance方法设置作业名为word count
    job.setJarByClass(WordCount.class);           //为job的输出数据设置Key类
    job.setMapperClass(TokenizerMapper.class);    //设置Mapper类(Map阶段使用)
    job.setCombinerClass(IntSumReducer.class);    //设置Combiner类（中间合并结果）
    job.setReducerClass(IntSumReducer.class);     //设置Reducer类（Reduce阶段使用）
    job.setOutputKeyClass(Text.class);            //为job的输出数据设置Key类，规定Reduce输出的Key类型为Text
    job.setOutputValueClass(IntWritable.class);   //设置Reduce输出的Value类型为IntWritable
    
    for (int i = 0; i < otherArgs.length - 1; ++i) { //设置输入输出路径      
      FileInputFormat.addInputPath(job, new Path(otherArgs[i]));
    }
    FileOutputFormat.setOutputPath(job,
      new Path(otherArgs[otherArgs.length - 1]));
    System.exit(job.waitForCompletion(true) ? 0 : 1);//等待任务执行完毕退出
  }
}