Executando um Job MapReduce
Nesta etapa, você aprenderá como executar um job MapReduce nos dados armazenados no HDFS, aproveitando o poder do processamento paralelo para analisar grandes conjuntos de dados de forma eficiente.
MapReduce é um modelo de programação para processar grandes conjuntos de dados em paralelo em um cluster de máquinas. Ele consiste em duas fases principais:
-
Map: Os dados de entrada são divididos em pedaços menores, e cada pedaço é processado por uma tarefa separada chamada "mapper". O mapper processa os dados e emite pares chave-valor.
-
Reduce: A saída dos mappers é classificada e agrupada por chave, e cada grupo é processado por uma tarefa separada chamada "reducer". O reducer combina os valores associados a cada chave e produz o resultado final.
Vamos executar um simples job MapReduce que conta as ocorrências de palavras em um arquivo de texto. Primeiro, crie um arquivo Java chamado WordCount.java com o seguinte conteúdo:
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;
public class WordCount {
public static class TokenizerMapper
extends Mapper<Object, Text, Text, IntWritable>{
private final static IntWritable one = new IntWritable(1);
private Text word = new Text();
public void map(Object key, Text value, Context context
) throws IOException, InterruptedException {
StringTokenizer itr = new StringTokenizer(value.toString());
while (itr.hasMoreTokens()) {
word.set(itr.nextToken());
context.write(word, one);
}
}
}
public static class IntSumReducer
extends Reducer<Text,IntWritable,Text,IntWritable> {
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) {
sum += val.get();
}
result.set(sum);
context.write(key, result);
}
}
public static void main(String[] args) throws Exception {
Configuration conf = new Configuration();
Job job = Job.getInstance(conf, "word count");
job.setJarByClass(WordCount.class);
job.setMapperClass(TokenizerMapper.class);
job.setCombinerClass(IntSumReducer.class);
job.setReducerClass(IntSumReducer.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
FileInputFormat.addInputPath(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
}
Em seguida, compile o arquivo Java:
mkdir ~/wordcount
javac -source 8 -target 8 -classpath $(hadoop classpath) -d ~/wordcount WordCount.java
jar -cvf ~/wordcount.jar -C ~/wordcount .
Finalmente, execute o job MapReduce:
hadoop jar ~/wordcount.jar WordCount /home/hadoop/input/file.txt /home/hadoop/output
A classe WordCount define um job MapReduce que conta as ocorrências de palavras em um arquivo de texto. A classe TokenizerMapper tokeniza cada linha de texto de entrada e emite pares chave-valor (palavra, 1). A classe IntSumReducer soma os valores (contagens) para cada palavra e emite os pares finais (palavra, contagem).
O arquivo Java é compilado e empacotado em um arquivo JAR, que é então executado usando o comando hadoop jar. O caminho do arquivo de entrada (/home/hadoop/input/file.txt) e o caminho do diretório de saída (/home/hadoop/output) são fornecidos como argumentos.
