5.3　案例分析：单词计数

假如有这样一个例子，需要统计过去10年计算机论文中出现次数最多的几个单词，以分析当前的热点研究议题是什么。

这一经典的单词计数案例可以采用MapReduce处理。MapReduce中已经自带了一个单词计数程序WordCount，如同Java中的经典程序“Hello World”一样，WordCount是MapReduce中统计单词出现次数的Java类，是MapReduce的入门程序。

例如，输入内容如下的文件，要求计算出文件中单词的出现次数，且按照单词的字母顺序进行排序，每个单词和其出现次数占一行，单词与出现次数之间有间隔：

直接运行MapReduce自带的WordCount程序对上述文件内容进行计算即可，其计算结果如下：

下面进一步对WordCount程序进行分析。

1. 设计思路

WordCount对于单词计数问题的解决方案为：先将文件内容切分成单词，然后将所有相同的单词聚集到一起，最后计算各个单词出现的次数，将计算结果排序输出。

根据MapReduce的工作原理可知，Map任务负责将输入数据切分成单词；Shuffle阶段负责根据单词进行分组，将相同的单词发送给同一个Reduce任务；Reduce任务负责计算单词出现次数并输出最终结果。

由于MapReduce中传递的数据都是<key,value>对形式的，而且Shuffle的排序、聚集和分发也是按照<key,value>对进行的，因此可将map()方法的输出结果设置为以单词作为key，1作为value的形式，表示某单词出现了1次（输入map()方法的数据则采用Hadoop默认的输入格式，即文件每一行的起始位置作为key，本行的文本内容作为value）。由于reduce()方法的输入是map()方法的输出聚集后的结果，因此格式为<key, value-list>，也就是<word, {1,1,1,1,…}>；reduce()方法的输出则可设置成与map()方法输出相同的形式，只是后面的数值不再是固定的1，而是具体计算出的某单词所对应的次数。

WordCount程序的执行流程如图5-5所示。

2. 程序源码

WordCount程序类的源代码如下：

3. 程序解读

Hadoop本身提供了一整套可序列化传输的基本数据类型，而不是直接使用Java的内嵌类型。Hadoop的IntWritable类型相当于Java的Integer类型，LongWritable相当于Java的Long类型，TextWritable相当于Java的String类型。

TokenizerMapper是自定义的内部类，继承了MapReduce提供的Mapper类，并重写了其中的map()方法。Mapper类是一个泛型类，它有4个形参类型，分别指定map()方法的输入key、输入value、输出key、输出value的类型。本例中，输入key是一个长整数偏移量，输入value是一整行单词，输出key是单个单词，输出value是单词数量。Mapper类的核心源码如下：

同样，IntSumReducer是自定义的内部类，继承了MapReduce提供的Reducer类，并重写了其中的reduce()方法。Reducer类跟Mapper类一样，是一个泛型类，有4个形参类型，分别指定reduce()方法的输入key、输入value、输出key、输出value的类型。Reducer类的输入参数类型必须匹配Mapper类的输出类型，即Text类型和IntWritable类型。

本例中，reduce()方法的输入参数是单个单词和单词数量的集合，即<word, {1,1,1,1,…}>。reduce()方法的输出也必须与Reducer类规定的输出类型相匹配。Reducer类的核心源码如下：

main()方法中的Configuration类用于读取Hadoop的配置文件，例如core-site.xml、mapred-site.xml、hdfs-site.xml等。也可以使用set()方法重新设置相关配置属性，例如重新设置HDFS的访问路径而不使用配置文件中的配置，代码如下：

main()方法中的job.setCombinerClass(IntSumReducer.class);指定了Map任务规约的类。这里的规约的含义是，将Map任务的结果进行一次本地的reduce()操作，从而减轻远程Reduce任务的压力。例如，把两个相同的“hello”单词进行规约，由此输入给reduce()的就变成了<hello,2>。实际生产环境是由多台主机一起运行MapReduce程序的，如果加入规约操作，每一台主机会在执行Reduce任务之前进行一次对本机数据的规约，然后再通过集群进行Reduce任务操作，这样就会大大节省Reduce任务的执行时间，从而加快MapReduce的处理速度。本例的Map任务规约类使用了自定义Reducer类IntSumReducer，需要注意的是，并不是所有的规约类都可以使用自定义Reducer类，需要根据实际业务使用合适的规约类，也可以自定义规约类。

4. 程序运行

下面以统计文本文件中的单词频数为例，讲解如何运行上述单词计数程序WordCount，操作步骤如下：

　执行以下命令，在HDFS根目录下创建文件夹input：

在本地新建一个文本文件words.txt，向其写入以下单词内容：

执行以下命令，将words.txt上传到HDFS的/input目录中：

　进入Hadoop安装目录，执行以下命令，运行Hadoop自带的WordCount程序：

上述命令中的/input为数据来源目录，/output为结果数据存储目录。

需要注意的是，HDFS中不应存在目录/output，程序会自动创建，若存在则会抛出异常。

若控制台输出以下信息，表示程序运行正常：

程序运行过程中也可以访问YARN ResourceManager的Web界面http://centos01:8088查看程序的运行状态，如图5-6所示。

　程序运行的结果以文件的形式存放在HDFS的/output目录中，执行以下命令，查看目录/output中的内容：

可以看到，/output目录中生成了两个文件：_SUCCESS和part-r-00000，_SUCCESS为执行状态文件，part-r-00000则存储实际的执行结果，如图5-7所示。

可以执行以下命令，将运行结果下载到本地查看：

也可以执行以下命令，直接查看结果文件中的数据，如图5-8所示。