Hadoop MapReduce编程 API入门系列之MapReduce多种输出格式分析（十九）

　　不多说，直接上代码。

　　假如这里有一份邮箱数据文件，我们期望统计邮箱出现次数并按照邮箱的类别，将这些邮箱分别输出到不同文件路径下。

代码版本1

 package zhouls.bigdata.myMapReduce.Email;

 import java.io.IOException;
 import org.apache.hadoop.conf.Configuration;
 import org.apache.hadoop.conf.Configured;
 import org.apache.hadoop.fs.FileSystem;
 import org.apache.hadoop.fs.Path;
 import org.apache.hadoop.io.IntWritable;
 import org.apache.hadoop.io.LongWritable;
 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.mapreduce.lib.output.MultipleOutputs;
 import org.apache.hadoop.util.Tool;
 import org.apache.hadoop.util.ToolRunner;

 //通过MultipleOutputs写到多个文件：参考博客http://www.cnblogs.com/codeOfLife/p/5452902.html

 //    MultipleOutputs 类可以将数据写到多个文件，这些文件的名称源于输出的键和值或者任意字符串。
 //  这允许每个 reducer（或者只有 map 作业的 mapper）创建多个文件。 采用name-m-nnnnn 形式的文件名用于 map 输出，name-r-nnnnn 形式的文件名用于 reduce 输出，
 //  其中 name 是由程序设定的任意名字， nnnnn 是一个指明块号的整数（从 0 开始）。块号保证从不同块（mapper 或 reducer）输出在相同名字情况下不会冲突。

 public class Email extends Configured implements Tool {
     public static class MailMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
         private final static IntWritable one = new IntWritable(1);

         @Override
         protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
             context.write(value, one);
         }
     }

     public static class MailReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
         private IntWritable result = new IntWritable();
         private MultipleOutputs< Text, IntWritable> multipleOutputs;

         @Override
         protected void setup(Context context) throws IOException ,InterruptedException{
             multipleOutputs = new MultipleOutputs<Text, IntWritable>(context);
         }

         protected void reduce(Text Key, Iterable<IntWritable> Values,Context context) throws IOException, InterruptedException {
             int begin = Key.toString().indexOf("@");//indexOf方法返回一个整数值，指出 String 对象内子字符串的开始位置。
             int end = Key.toString().indexOf(".");//indexOf方法返回一个整数值，指出 String 对象内子字符串的开始位置。只不过我们自己写出个end变量而已
 //            Key.toString().indexOf(ch)
 //            Key.toString().indexOf(str)
 //            Key.toString().indexOf(ch, fromIndex)
 //            Key.toString().indexOf(str, fromIndex)
 //            Key.toString().intern()

 //            Java中字符串中子串的查找共有四种方法，如下：
 //            1、int indexOf(String str) ：返回第一次出现的指定子字符串在此字符串中的索引。
 //            2、int indexOf(String str, int startIndex)：从指定的索引处开始，返回第一次出现的指定子字符串在此字符串中的索引。
 //            3、int lastIndexOf(String str) ：返回在此字符串中最右边出现的指定子字符串的索引。
 //            4、int lastIndexOf(String str, int startIndex) ：从指定的索引处开始向后搜索，返回在此字符串中最后一次出现的指定子字符串的索引。

             if(begin>=end){
                 return;
             }

             //获取邮箱类别，比如 qq
             String name = Key.toString().substring(begin+1, end);
 //                        String.subString(start,end)截取的字符串包括起点所在的字符串，不包括终点所在的字符串

             int sum = 0;

             for (IntWritable value : Values) {
                 sum += value.get();
             }

             result.set(sum);
             multipleOutputs.write(Key, result, name);
                         //这里，我们用到的是multipleOutputs.write(Text key, IntWritable value, String baseOutputPath);

 //            multipleOutputs.write默认有3种构造方法：
 //            multipleOutputs.write(String namedOutput, K key, V value);
 //            multipleOutputs.write(Text key, IntWritable value, String baseOutputPath);
 //            multipleOutputs.write(String namedOutput, K key, V value,String  baseOutputPath);

 //            MultipleOutputs 类可以将数据写到多个文件，这些文件的名称源于输出的键和值或者任意字符串。
 //            这允许每个 reducer（或者只有 map 作业的 mapper）创建多个文件。
 //             采用name-m-nnnnn 形式的文件名用于 map 输出，name-r-nnnnn 形式的文件名用于 reduce 输出，
 //             其中 name 是由程序设定的任意名字，
 //            nnnnn 是一个指明块号的整数（从 0 开始）。
 //             块号保证从不同块（mapper 或 reducer）写的输出在相同名字情况下不会冲突。

         }

         @Override
         protected void cleanup(Context context) throws IOException ,InterruptedException{
             multipleOutputs.close();
         }

     }

     public int run(String[] args) throws Exception {
         Configuration conf = new Configuration();// 读取配置文件

         Path mypath = new Path(args[1]);
         FileSystem hdfs = mypath.getFileSystem(conf);//创建输出路径
         if (hdfs.isDirectory(mypath)) {
             hdfs.delete(mypath, true);
         }
         Job job = Job.getInstance();// 新建一个任务
         job.setJarByClass(Email.class);// 主类

         FileInputFormat.addInputPath(job, new Path(args[0]));// 输入路径
         FileOutputFormat.setOutputPath(job, new Path(args[1]));// 输出路径

         job.setMapperClass(MailMapper.class);// Mapper
         job.setReducerClass(MailReducer.class);// Reducer

         job.setOutputKeyClass(Text.class);// key输出类型
         job.setOutputValueClass(IntWritable.class);// value输出类型

         job.waitForCompletion(true);
         return 0;
     }

     public static void main(String[] args) throws Exception {
         String[] args0 = {
                 "hdfs://HadoopMaster:9000/inputData/multipleOutputFormats/mail.txt",
                 "hdfs://HadoopMaster:9000/outData/MultipleOutputFormats/" };
         int ec = ToolRunner.run(new Configuration(), new Email(), args0);
         System.exit(ec);
     }
 }

代码版本1

 package zhouls.bigdata.myMapReduce.Email;

 import java.io.IOException;
 import org.apache.hadoop.conf.Configuration;
 import org.apache.hadoop.conf.Configured;
 import org.apache.hadoop.fs.FileSystem;
 import org.apache.hadoop.fs.Path;
 import org.apache.hadoop.io.IntWritable;
 import org.apache.hadoop.io.LongWritable;
 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.mapreduce.lib.output.MultipleOutputs;
 import org.apache.hadoop.util.Tool;
 import org.apache.hadoop.util.ToolRunner;

 //假如这里有一份邮箱数据文件，我们期望统计邮箱出现次数并按照邮箱的类别，将这些邮箱分别输出到不同文件路径下。
 /*wolys@21cn.com
 zss1984@126.com
 294522652@qq.com
 simulateboy@163.com
 zhoushigang_123@163.com
 sirenxing424@126.com
 lixinyu23@qq.com
 chenlei1201@gmail.com
 370433835@qq.com
 cxx0409@126.com
 viv093@sina.com
 q62148830@163.com
 65993266@qq.com
 summeredison@sohu.com
 zhangbao-autumn@163.com
 diduo_007@yahoo.com.cn
 fxh852@163.com

 /out/163-r-00000
 /out/126-r-00000
 /out/21cn-r-00000
 /out/gmail-r-00000
 /out/qq-r-00000
 /out/sina-r-00000
 /out/sohu-r-00000
 /out/yahoo-r-00000
 /out/part-r-00000
 */

 public class Email extends Configured implements Tool{
     public static class MailMapper extends Mapper<LongWritable, Text, Text, IntWritable>{
         private final static IntWritable one = new IntWritable(1);//赋值1给one

         @Override
         protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
             context.write(value, one);//将value和one写入到context里。    value是k2,one是v2
 //            context.write(new Text(value),new IntWritable(one));等价
 //            key默认是行偏移量，可以自己自定义改

         }
     }

 //    MultipleOutputs将结果输出到多个文件或文件夹的步骤：
 //    见博客http://tydldd.iteye.com/blog/2053867

     public static class MailReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
         private IntWritable result = new IntWritable();
         private MultipleOutputs<Text, IntWritable> multipleOutputs;//MultipleOutputs将结果输出到多个文件或文件夹
 //        因为，MultipleOutputs是将结果输出到多个文件或文件夹，那么结果是什么，则就是k3,v3啦。即在这里就是MultipleOutputs<Text, IntWritable> multipleOutputs;

         //创建对象,以下是模板，别怕
         protected void setup(Context context) throws IOException ,InterruptedException{
             multipleOutputs = new MultipleOutputs<Text, IntWritable>(context);
         }

         protected void reduce(Text Key, Iterable<IntWritable> Values,Context context) throws IOException, InterruptedException{
         //294522652@qq.com
             int begin = Key.toString().indexOf("@");//indexOf() 方法可返回某个指定的字符串值在字符串中首次出现的位置。 即begin是9
             int end = Key.toString().indexOf(".");//indexOf() 方法可返回某个指定的字符串值在字符串中首次出现的位置。 即end是12
             if(begin>=end){
                 return;
             }

             //获取邮箱类别，比如 qq
             String name = Key.toString().substring(begin+1, end);//substring()是去除指定字符串的方法，及substring(10，12)
             int sum = 0;
             for (IntWritable value : Values) {//计数，for星型循环，即将Iterable<IntWritable> Values的值，一一传给IntWritable value
                 sum += value.get();//就是拿取IntWritable类型的value的值，给value类型的sum
             }
             result.set(sum);//即求和计数，如wolys@21cn.com出现了几次几次。
             multipleOutputs.write(Key, result, name);//将Key和result和name一起写入multipleOutputs

              /*
               * http://www.cnblogs.com/codeOfLife/p/5452902.html
              * multipleOutputs.write(key, value, baseOutputPath)方法的第三个函数表明了该输出所在的目录（相对于用户指定的输出目录）。
              * 如果baseOutputPath不包含文件分隔符"/"，那么输出的文件格式为baseOutputPath-r-nnnnn（name-r-nnnnn)；
              * 如果包含文件分隔符"/"，例如baseOutputPath="029070-99999/1901/part"，那么输出文件则为029070-99999/1901/part-r-nnnnn
              */
         }

         //关闭对象，以下是模板，别怕
         protected void cleanup(Context context) throws IOException ,InterruptedException{
             multipleOutputs.close();
         }
     }

     public int run(String[] arg0) throws Exception{
         Configuration conf = new Configuration();// 读取配置文件
         Path mypath = new Path(arg0[1]);//下标为1，即是输出路径
         FileSystem hdfs = mypath.getFileSystem(conf);//FileSystem对象hdfs
         if (hdfs.isDirectory(mypath))
          {
             hdfs.delete(mypath, true);
         }
         Job job = Job.getInstance();// 新建一个任务
         job.setJarByClass(Email.class);// 主类

         job.setMapperClass(MailMapper.class);// Mapper
         job.setReducerClass(MailReducer.class);// Reducer

         job.setOutputKeyClass(Text.class);// key输出类型
         job.setOutputValueClass(IntWritable.class);// value输出类型

         FileInputFormat.addInputPath(job, new Path(arg0[0]));// 文件输入路径
         FileOutputFormat.setOutputPath(job, new Path(arg0[1]));// 文件输出路径
         job.waitForCompletion(true);

         return 0;
     }

     public static void main(String[] args) throws Exception{
         //集群路径
 //        String[] args0 = { "hdfs://HadoopMaster:9000/email/email.txt",
 //                 "hdfs://HadoopMaster:9000/out/email"};

 //本地路径
         String[] args0 = { "./data/email/email.txt",
                  "out/email/"};            

         int ec = ToolRunner.run( new Configuration(), new Email(), args0);
         System. exit(ec);
     }
 }