hadoop學習筆記：運行wordcount對檔案字串進行統計案例

我最近使用四臺Centos虛擬機搭建了一套分布式hadoop環境，簡單模擬了線上上的hadoop真實分布式集群，主要用于業余學習大資料相關體系，

其中，一臺服務器作為NameNode，一臺作為Secondary NameNode，剩下兩臺當做DataNodes節點服務器，類似下面這樣一個架構——

接下來,就是開始通過hadoop自帶的wordcount來統計一下檔案當中的字符數量，

啟動hadoop集群后，在集群可用情況下，按照以下步驟：
一、進入到hadoop安裝目錄，創建一個測驗檔案example.txt

我的安裝目錄是：/opt/hadoop/app/hadoop/hadoop-2.7.5

[root@192 hadoop-2.7.5]# pwd
/opt/hadoop/app/hadoop/hadoop-2.7.5

新建一個example.txt，并隨機寫入一些字符：

aaa
bbb
cccc
dedef
dedf
dedf
ytrytrgtrcdscdscdsc
dedaxa
cdsvfbgf
uyiuyi
ss
xaxaxaxa

接著，在hdfs檔案系統上新建一個input檔案夾，用來存放example.txt檔案——

[root@192 hadoop-2.7.5]# hdfs dfs -mkdir /input

然后，將example.txt復制到hdfs系統上的input目錄下——

[root@192 hadoop-2.7.5]# hdfs dfs -put example.txt /input

檢查一下，可以看到，example.txt檔案已經在input目錄底下了——

[root@192 hadoop-2.7.5]# hdfs dfs -ls /input
Found 1 items
-rw-r--r--   3 root supergroup         84 2021-10-20 12:43 /input/example.txt

這些準備作業做好后，就可以開始使用hadoop自帶的jar包來統計檔案example.txt當中各字符的數量了，

二、運行wordcount對檔案字符進行統計

直接在NameNode節點對應的服務器上執行——

[root@192 hadoop-2.7.5]# hadoop jar /opt/hadoop/app/hadoop/hadoop-2.7.5/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.5.jar  wordcount /input /output

這行指令的大概意思是，分布式計算統計input目錄底下的檔案中的字符數量，將統計結果reduce到output當中，故而，最后若執行沒問題，可以在output目錄下獲取到統計結果記錄，

我第一次執行時，發生了一個例外，即執行完后，日志運行到INFO mapreduce.Job: Running job: job_1631618032849_0002這一行時，就直接卡在了這里，沒有任何動靜了——

[hadoop@192 bin]$ hadoop jar /opt/hadoop/app/hadoop/hadoop-2.7.5/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.5.jar wordcount /input /output
21/10/20 10:43:29 INFO client.RMProxy: Connecting to ResourceManager at master1/192.168.200.111:8032
21/10/20 10:43:30 INFO input.FileInputFormat: Total input paths to process : 1
21/10/20 10:43:30 INFO mapreduce.JobSubmitter: number of splits:1
21/10/20 10:43:31 INFO mapreduce.JobSubmitter: Submitting tokens for job: job_1631618032849_0002
21/10/20 10:43:31 INFO impl.YarnClientImpl: Submitted application application_1631618032849_0002
21/10/20 10:43:31 INFO mapreduce.Job: The url to track the job: http://master1:8088/proxy/application_1631618032849_0002/
21/10/20 10:43:31 INFO mapreduce.Job: Running job: job_1631618032849_0002

百度了一番后，根據一些思路，最后將mapred-site.xml最開始的配置由

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
    <property>
       <name>mapreduce.framework.name</name>
       <value>yarn</value>
    </property>
</configuration>

改成這里——

<configuration>
    <property>
       <name>mapreduce.job.tracker</name>
       <value>hdfs://master1:8001</value>
       <final>true</final>
    </property>
</configuration>

接著，重啟了hadoop集群，就正常了，日志資訊就沒有卡頓，而是一步執行完成，列印以下的日志記錄——

程序如果沒有出現問題，就可以到最后一步，查看統計完的結果，

三、獲取統計結果

以上步驟執行完后，直接輸入指令查看output目錄下的資訊，可以看到，里面生成了兩個檔案——

[root@192 hadoop-2.7.5]# hdfs dfs -ls /output
Found 2 items
-rw-r--r--   3 root supergroup          0 2021-10-20 12:47 /output/_SUCCESS
-rw-r--r--   3 root supergroup        101 2021-10-20 12:47 /output/part-r-00000

part-r-00000檔案是存放統計結果的，我們查看一下——

[root@192 hadoop-2.7.5]# hdfs dfs -cat /output/part-r-00000
aaa	1
bbb	1
cccc	1
cdsvfbgf	1
dedaxa	1
dedef	1
dedf	2
ss	1
uyiuyi	1
xaxaxaxa	1
ytrytrgtrcdscdscdsc	1

對比前面的example.txt檔案，可以看到，當中dedf字串是有兩個，其他都是1個，hadoop統計結果也確實如此，

以上，便是初步認識hadoop的一個小案例，接下來，我會在學習程序當中把值得分享的經驗都總結下來，