伪分布模式hadoop如何运行java源程序
伪分布模式hadoop如何运行java源程序，很多新手对此不是很清楚，为了帮助大家解决这个难题，下面小编将为大家详细讲解，有这方面需求的人可以来学习下，希望你能有所收获。
写好源代码之后，首先要编译： javac -classpath /usr/local/hadoop/hadoop-core-1.2.1.jar:/usr/local/hadoop/lib/commons-cli-1.2.jar count.java -d org 在org目录下生成三个class文件： count.class count\ Map.class count\ Reduce.class 之后将三个class文件打包： jar -cvf count.jar -C org/ . 之后在hadoop根目录下生成count.jar文件 创建分布式文件夹，并把要分析的数据放入之中： bin/hadoop fs -mkdir input bin/hadoop fs --put ~/Downloads/Gowalla_totalCheckins.txt input （~/Downloads/Gowalla_totalCheckins.txt为我文件所在位置） 通过localhost:50070可以查看： 可以看到txt中的数据已经考到了input下。 接下来运行程序： bin/hadoop jar count.jar count input output 运行完之后会发现：生成一个output文件夹，其下有三个文件，输出的信息保存在part-r-00000中 文件内容：
196514 2020-07-24T13:45:06Z 53.3648119 -2.2723465833 145064 196514 2020-07-24T13:44:58Z 53.360511233 -2.276369017 1275991
196514 2020-07-24T13:44:46Z 53.3653895945 -2.2754087046 376497 196514 2020-07-24T13:44:38Z 53.3663709833 -2.2700764333 98503
196514 2020-07-24T13:44:26Z 53.3674087524 -2.2783813477 1043431
196514 2020-07-24T13:44:08Z 53.3675663377 -2.278631763 881734
196514 2020-07-24T13:43:18Z 53.3679640626 -2.2792943689 207763 196514 2020-07-24T13:41:10Z 53.364905 -2.270824 1042822
其中第一列为用户iｄ ，第二列为登录时间，第三列是用户的纬度，第四列我为用户的经度，第五列为用户的地址iｄ 本次程序是分析用户的登录时间，并分时间段进行统计。
源代码：
<!-- lang: java -->
import java.io.IOException;
import java.util.*;
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 count {
public static class Map extends Mapper<Object, Text, IntWritable, IntWritable> {
// 实现map函数
public void map(Object key, Text value, Context context)throws IOException, InterruptedException {
String line = value.toString();
int k;
StringTokenizer itr = new StringTokenizer(line);
int i = 0;
int hour = 0,minute = 0,second = 0;
while (itr.hasMoreTokens()) {
String token = itr.nextToken();
i++;
if(i == 2){
int indexOfT = token.indexOf('T');
int indexOfZ = token.indexOf('Z',indexOfT + 1);
String substr = token.substring(indexOfT + 1,indexOfZ);
int blank1 = substr.indexOf(':');
int blank2 = substr.indexOf(':',blank1 + 1);
hour = Integer.parseInt(substr.substring(0,blank1),10);
minute = Integer.parseInt(substr.substring(blank1 + 1,blank2),10);
second = Integer.parseInt(substr.substring(blank2 + 1),10);
}
}
k = (hour * 60 * 60 + minute * 60 + second) / （3600 * 4） ;
context.write(new IntWritable( k ), new IntWritable(1));
}
}
public static class Reduce extends Reducer< IntWritable, IntWritable, IntWritable, IntWritable> {
// 实现reduce函数
public void reduce(IntWritable key, Iterable<IntWritable> values, Context context)
throws IOException, InterruptedException {
int sum = 0;
for(IntWritable val : values){
sum += val.get();
}
context.write( key, new IntWritable(sum));
}
}
public static void main(String[] args) throws Exception {
Configuration conf = new Configuration();
String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
if (otherArgs.length != 2) {
System.err.println("Usage: Multiple Table Join <in> <out>");
System.exit(2);
}
Job job = new Job(conf, "count");
job.setJarByClass(count.class);
// 设置Map和Reduce处理类
job.setMapperClass(Map.class);
job.setCombinerClass(Reduce.class);
job.setReducerClass(Reduce.class);
// 设置输出类型
job.setOutputKeyClass(IntWritable.class);
job.setOutputValueClass(IntWritable.class);
FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
}
看完上述内容是否对您有帮助呢？如果还想对相关知识有进一步的了解或阅读更多相关文章，请关注行业资讯频道，感谢您对亿速云的支持。