本篇文章主要说两部分：简单介绍MapReduce的工作原理；详细解释WordCount程序。
1. MapReduce的工作原理
在《Hadoop in action》一书中，对MapReduce计算模型有了很好的描述，在这里我们直接引用过来：“
在 Hadoop 中，用于执行 MapReduce 任务的机器角色有两个：一个是 JobTracker；另一个是 TaskTracker， JobTracker是用于调度工作的， TaskTracker是用于执行工作的。一个 Hadoop集群中只有一台 JobTracker。
在分布式计算中， MapReduce 框架负责处理了并行编程中分布式存储、工作调度、负载均衡、容错均衡、容错处理以及网络通信等复杂问题，把处理过程高度抽象为两个函数：map 和 reduce，map 负责把任务分解成多个任务， reduce 负责把分解后多任务处理的结果汇总起来。
在 Hadoop 中，每个 MapReduce 任务都被初始化为一个 Job，每个 Job 又可以分为两种阶段： map 阶段和 reduce 阶段。这两个阶段分别用两个函数表示，即 map 函数和 reduce 函数。 map 函数接收一个<key,value>形式的输入，然后同样产生一个<key,value>形式的中间输出， Hadoop 函数接收一个如<key,(list ofvalues)>形式的输入，然后对这个 value 集合进行处理，每个 reduce 产生 0 或 1 个输出，reduce 的输出也是<key,value>形式的。”
从上面的解释我们可以看出：MapReduce把对大规模数据集的操作，分发给一个主节点（master）管理下的各个分节点（slaves）共同完成，然后通过整合各个节点的中间结果，得到最终结果。用 MapReduce 来处理的数据集（或任务）必须具备这样的特点：待处理的数据集可以分解成许多小的数据集，而且每一个小数据集都可以完全并行地进行处理。整个过程都是按照<key, value>的形式来输入输出。
下图很好的描述了MapReduce的工作过程：
下面我们结合一个简单的实例来说明MapReduce的内部运行流程，首先给出一个WordCount的数据流程图：
Step1：输入文件file1和file2先按照TextInputFormat形式被处理成两个InputSplit，然后输入到两个map中。此时map的输入格式为<key, value>的，需要指出的是此时的key为当前的行号（位移量），value为对应行的内容；
Step 2：Map对每行的内容进行切词，每切下一个词就将其组织成<word, 1>的形式输出，注意每个word的value均为1；
Step 3：把map的输出进入Reduce阶段，TaskTracker会接收到<word, {1,1,1,…}>形式的数据，reduce会进行统计频数，组织成<word, sum>的形式直接输出。
在以上过程初始的输入文件和最终输出结果都是放在HDFS上的，但是中间的map程序只是写到本地磁盘中，而不是写到HDFS中。这是因为Map的输出在Jpb完成后即可删除了，因此不需要存储到HDFS上。虽然存储到HDFS上会比较安全，但是因为网络传输会降低MapReduce任务的执行效率，因此Map的输出文件时写在本地磁盘的。如果Map程序在没来得及将数据传送给Reduce时就崩毁了，那么JobTracker只需要另选一台机器重新执行这个Task就可以了（JobTracker是要有这个功能的，JobTracker调度任务给TaskTracker，TaskTracker执行任务的时候，会返还进行报告，JobTracker则会记录进度的进行状况，如果某个TaskTracker上的任务执行失败了，那么JobTracker会把这个任务分配给另一个TaskTracker，直到任务执行完成）。
2. 详解WordCount程序
WordCount程序是学习Hadoop的入门程序，我们有必要详解一下。能够完整的运行WordCount程序需要如下结果步骤：本地的文本文件上传到HDFS上，WordCount程序实现MapReduce过程，输出结果到HDFS上。
Step 1：进入CentOS系统（上篇博文已经介绍过在centos6.0上搭建hadoop框架），在本地新建一个file文件夹。在file文件夹中，新建两个文本文件file1和file2. file1的内容为Hello World，file2的内容为Hello Hadoop。
Step 2：在HDFS上创建输入文件夹，并把本地的file中文件上传到集群的input目录上；
Step 3：在集群上运行WordCount程序，以input为输入目录，以output为输出目录；
以上过程可以再centos的终端完成：
mkdir ~/file 在本地创建file文件夹 cd file
echo "Hello World" > file1.txt 在file1和file2文件中存放文本， echo "Hello Hadoop" > file2.txt echo命令的作用是输出内容，> file1/2就是输出到文件中
hadoop fs -mkdir input 在HDFS上创建输入目录文件夹
hadoop fs -put ~file/file*.txt input 上传本地file文件夹中的文件到HDFS上
运行WordCount程序 hadoop jar /usr/local/hadoop/hadoop-0.20.2/hadoop-0.20.2-examples.jar wordcount input output “hadoop jar”——执行jar命令； “/usr/local/hadoop/hadoop-0.20.2/hadoop-0.20.2-examples.jar”——WordCount所在的jar包的地址 "wordcount" 程序主类名 "input output" 输入、输出文件夹
hadoop fs -cat output/part-r-00000 查看输出文件中的内容
细心的读者会发现，hadoop框架下操作命令都是以hadoop fs -*的形式。下面我们就列举一下hadoop fs -*命令：
1，hadoop fs –fs [local | <file system URI>]：声明hadoop使用的文件系统，如果不声明的话，使用当前配置文件配置的，按如下顺序查找：hadoop jar里的hadoop-default.xml->
程序以及详细的注释如下：
package test; 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; import org.apache.hadoop.util.GenericOptionsParser;
public class WordCount {
public static class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable>{ //显然这里的Mapper<Object,Text,Text,IntWritable>是范型，其实是 //Mapper<input_Key_Type,input_Value_Type,output_key_type,output_value_type> //也就是借此规定map中用到的数据类型 //这几种类型除Object之外，其它是jdk中没有的，这是hadoop对它相应的jdk中数据类型的封装， //这里的Text相当于jdk中的String,IntWritable相当于jdk的int类型， //这样做的原因主要是为了hadoop的数据序化而做的。 private final static IntWritable one = new IntWritable(1); //声时一个IntWritable变量，作计数用，每出现一个key，给其一个value=1的值 private Text word = new Text(); //用来暂存map输出中的key值，Text类型的，故有此声明
//这里就是map函数，也用到了范型，它是和Mapper抽象类中的相对应的， //此处的Object key,Text value的类型和上边的Object,Text是相对应的，而且最好一样， //不然的话，多数情况运行时会报错。 public void map(Object key, Text value, Context context) throws IOException, InterruptedException { StringTokenizer itr = new StringTokenizer(value.toString()); //Hadoop读入的value是以行为单位的，其key为该行所对应的行号 //因为我们要计算每个单词的数目，默认以空格作为间隔，故用StringTokenizer辅助做一下字符串的拆分， //也可以用string.split("")来作。 while (itr.hasMoreTokens()) {//遍历一下每行字符串中的单词， word.set(itr.nextToken());//出现一个单词就给它设成一个key并将其值设为1 context.write(word, one);//输出设成的key/value值。 //以上就是打散的过程 } } }
public static class IntSumReducer //reduce所在的静态类 extends Reducer<Text,IntWritable,Text,IntWritable> { //这里和Map中的作用是一样的，设定输入/输出的值的类型 private IntWritable result = new IntWritable(); public void reduce(Text key, Iterable<IntWritable> values, Context context ) throws IOException, InterruptedException { int sum = 0; for (IntWritable val : values) { //由于map的打散，这里会得到如，{key,values}={"hello",{1,1,1,1,1,1,....}},这样的集合 sum = val.get(); //这里需要逐一将它们的value取出来予以相加，取得总的出现次数，即为汇和 } result.set(sum); //将values的和取得，并设成result对应的值 context.write(key, result); //此时的key即为map打散之后输出的key，没有变化， //变化的是result,以前得到的是一个数字的集合，此时已经//给算出和了，并做为key/value输出。 } }
public static void main(String[] args) throws Exception { Configuration conf = new Configuration(); //取得系统的参数 if (args.length != 2) {//判断一下命令行输入路径/输出路径是否齐全，即是否为两个参数 System.err.println("Usage: wordcount <in> <out>"); System.exit(2); //若非两个参数，即退出 }
//此程序的执行，在hadoop看来是一个Job，故进行初始化job操作 Job job = new Job(conf, "Word Count");
//配置作业名，此程序要执行WordCount.class这个字节码文件 job.setJarByClass(WordCount.class);
//配置作业的各个类 //此处设置了使用 TokenizerMapper 完成 Map 过程中的处理 //使用 IntSumReducer 完成 Combine 和 Reduce 过程中的处理。 //在这个job中，用TokenizerMapper这个类的map函数 job.setMapperClass(TokenizerMapper.class);
//在这个job中，用IntSumReducer这个类的reduce函数 job.setReducerClass(IntSumReducer.class);
//在reduce的输出时，key的输出类型为Text job.setOutputKeyClass(Text.class);
//在reduce的输出时,value的输出类型为IntWritable job.setOutputValueClass(IntWritable.class);
//任务的输出和输入路径则由命令行参数指定，并由 FileInputFormat 和 FileOutputFormat 分别设定
//初始化要计算word的文件的路径 FileInputFormat.addInputPath(job, new Path(args[0]));
//初始化要计算word的文件的之后的结果的输出路径 FileOutputFormat.setOutputPath(job, new Path(args[1]));
//这里就是真正的去提交job到hadoop上去执行了， //完成相应任务的参数设定后，即可调用 job.waitForCompletion()方法执行任务。 //意思是指如果这个job真正的执行完了则主函数退出了，若没有真正的执行完就退出了，则为非法退出 System.exit(job.waitForCompletion(true) ? 0 : 1);
} }
