本文适合大数据初学者学习MapReduce统计分析业务问题的步骤和基础的MapReduce编程方法，初步掌握Hadoop对计算任务的管理。
本文末尾有全部数据集和完整代码连接。
1.准备工作
安装Hadoop:Hadoop 3.3.2 离线安装-CSDN博客
按照好Hadoop之后要检查一下datanode运行情况，Hadoop3.x的默认端口是9870
http://10.16.60.31:9870/
2.上传数据文件到HDFS
准备数据集
将数据上传到HDFS
[root@master sbin]# hadoop fs -mkdir -p /mapred-case
[root@master sbin]# hadoop fs -put /home/国家.txt /mapred-case/国家.txt
[root@master sbin]# hadoop fs -put /home/类型.txt /mapred-case/类型.txt
[root@master sbin]# hadoop fs -put /home/评分.txt /mapred-case/评分.txt
[root@master sbin]# hadoop fs -put /home/评价.txt /mapred-case/评价.txt
[root@master sbin]# hadoop fs -chmod a+w /mapred-case
3.编写统计分析代码
3.1 Windows系统配置Hadoop开发环境
在windows上开发和调试Hadoop代码需要下载编译好的Hadoop二进制包。
还要下载winutils，放到Hadoop的bin目录。
winutils的下载地址是：吴所谓/winutils
注意这里的Hadoop版本和服务器上的Hadoop版本虽然不一致，但是不影响程序调试。
并且windows上的Hadoop不需要启动，因为这个步骤只是为了解决MapReduce程序运行开始检测Hadoop环境会报错的问题。
配置Hadoop环境变量，并且将D:\Dataware\data_cmpt\hadoop\hadoop-2.8.5\bin 添加到Path环境变量。
3.2. 新建maven工程，添加Hadoop 依赖和配置信息
<dependencies><!-- Hadoop相关依赖包--><dependency><groupId>org.apache.hadoop</groupId><artifactId>hadoop-common</artifactId><version>3.3.1</version></dependency><dependency><groupId>org.apache.hadoop</groupId><artifactId>hadoop-hdfs</artifactId><version>3.3.1</version></dependency><dependency><groupId>org.apache.hadoop</groupId><artifactId>hadoop-client</artifactId><version>3.3.1</version></dependency><dependency><groupId>junit</groupId><artifactId>junit</artifactId><version>4.12</version></dependency></dependencies>resources目录下增加core-site.xml文件，并添加如下配置信息
<property><!-- URI 定义主机名称和 namenode 的 RPC 服务器工作的端口号 --><name>fs.defaultFS</name><value>hdfs://10.16.60.31:8020</value></property>resources目录下增加mapred-site.xml文件，并添加如下配置信息
<configuration><!-- 远程提交到 Linux 的平台上 --><property><name>mapred.remote.os</name><value>Linux</value><description>Remote MapReduce framework's OS, can be either Linux or Windows</description></property><!--允许跨平台提交 解决 /bin/bash: line 0: fg: no job control --><property><name>mapreduce.app-submission.cross-platform</name><value>true</value></property>
</configuration>添加log4j.properties文件，用于配置日志输出信息。
log4j.appender.A1.Encoding=UTF-8
log4j.rootLogger=INFO, stdout
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d{ABSOLUTE} | %-5.5p | %-16.16t | %-32.32c{1} | %-32.32C %4L | %m%n3.3. 按照国家和地区统计电影的产地信息
首先看下国家.txt中的数据
新建Map类，用于统计文档中的单词信息。
// Mapper抽象类的核心方法，三个参数public void map(Object key, // 首字符偏移量Text value, // 文件的一行内容Context context) // Mapper端的上下文，与 OutputCollector 和 Reporter 的功能类似throws IOException, InterruptedException {String[] ars = value.toString().split("['.;,?| \t\n\r\f]");for (String tmp : ars) {if (tmp == null || tmp.length() <= 0) {continue;}word.set(tmp);context.write(word, one);}}
新建Reduce类，用于文档中每个单词出现的次数。
// Reducer抽象类的核心方法，三个参数public void reduce(Text key, // Map端 输出的 key 值Iterable<IntWritable> values, // Map端 输出的 Value 集合（相同key的集合）Context context) // Reduce 端的上下文，与 OutputCollector 和 Reporter 的功能类似throws IOException, InterruptedException {int sum = 0;for (IntWritable val : values) // 遍历 values集合，并把值相加{sum += val.get();}map.put(key.toString(), sum);System.out.println(new SimpleDateFormat("yyyy-MM-dd hh:mm:ss").format(new Date()) + ":" + key + "出现了" + sum);}
新建主程序
public class CountryMain {public static void main(String[] args) throws Exception {Configuration conf = new Configuration();// if (args.length != 2) {
// System.exit(2);
// }String input = "/mapred-case/国家.txt";String output = "/mapred-case/国家分布统计";Job job = new Job(conf, "CountryCount"); // 新建一个 job，传入配置信息job.setJarByClass(CountryMain.class); // 设置 job 的主类job.setMapperClass(CountryMap.class); // 设置 job 的 Mapper 类job.setCombinerClass(CountryReduce.class); // 设置 job 的 作业合成类job.setReducerClass(CountryReduce.class); // 设置 job 的 Reducer 类job.setOutputKeyClass(Text.class); // 设置 job 输出数据的关键类job.setOutputValueClass(IntWritable.class); // 设置 job 输出值类FileInputFormat.addInputPath(job, new Path(input)); // 输入路径（数据所在目录）FileOutputFormat.setOutputPath(job, new Path(output)); // 输出路径（必须不存在的文件夹）boolean result = false;try {result = job.waitForCompletion(true);} catch (Exception e) {e.printStackTrace();}System.out.println(new SimpleDateFormat("yyyy-MM-dd hh:mm:ss").format(new Date()) +(result ? "电影类型（Country）统计完毕！！！" : "统计失败！！！"));}
}IDEA中启动主程序，可以看到程序执行日志信息如下：
浏览器打开Hadoop管理页面，下载part-r-00000文件，并用记事本打开
可以看到电影数据已经按照国家这个分类统计出来了。
3.4 电影评论数量排行榜
首先看下数据，这是电影名称和评论数量的列表。但是评论的数量并不是有序的，我们需要将电影名按照评论数量排序。
新建一个Map类，将文档中的电影名和评论数量存入一个HashMap中。并调用上一步的排序函数进行排序。
protected void map(LongWritable k1, Text v1, Context context) throws IOException, InterruptedException {String line = v1.toString();String[] fields = line.split("\t");String province = fields[0];if (isNumeric(fields[1])){Integer critics = Integer.parseInt(fields[1]);map.put(province, critics);}}
新建一个启动类，创建一个Hadoop Job，并执行上一步的统计和排序函数。
public class CommentMain {public static void main(String[] args) {try {// 运行jar包程序指令输入错误，直接退出程序
// if (args.length != 2) {
// System.exit(100);
// }String input = "/mapred-case/评价.txt";String output = "/mapred-case/评价数量统计";Configuration conf = new Configuration();//job需要的配置参数Job job = Job.getInstance(conf, "CommentMain");//创建一个job作业job.setJarByClass(CommentMain.class);//设置入口类FileInputFormat.setInputPaths(job, new Path(input));//指定输入路径（可以是文件，也可以是目录）FileOutputFormat.setOutputPath(job, new Path(output));//指定输出路径（只能是指定一个不存在的目录）job.setMapperClass(CommentMap.class);// 指定K2的输出数据类型job.setMapOutputKeyClass(Text.class);// 指定v2的输出数据类型job.setMapOutputValueClass(IntWritable.class);// 指定Reduce阶段的相关类job.setNumReduceTasks(0);//提交作业jobjob.waitForCompletion(true);} catch (Exception e) {e.printStackTrace();}}
}
执行成功之后，我们看下执行日志。
浏览器中打开Hadoop管理页面，并下载执行结果文件。
看下执行结果，电影名称已经按照评论数量降序排列好了。
3.5 电影评分分布
首先看一下数据，文档中是电影的评分。
新建Map程序，将评分写入上下文。
// Mapper抽象类的核心方法，三个参数public void map(Object key, // 首字符偏移量Text value, // 文件的一行内容Context context) // Mapper端的上下文，与 OutputCollector 和 Reporter 的功能类似throws IOException, InterruptedException {String[] ars = value.toString().split("\t\n");for (String tmp : ars) {if (tmp == null || tmp.length() <= 0) {continue;}word.set(tmp);context.write(word, one);}}
新建Reduce类，统计每个评分的梳理，并放入HashMap，key是评分，value是次数。
// Reducer抽象类的核心方法，三个参数public void reduce(Text key, // Map端 输出的 key 值Iterable<IntWritable> values, // Map端 输出的 Value 集合（相同key的集合）Context context) // Reduce 端的上下文，与 OutputCollector 和 Reporter 的功能类似throws IOException, InterruptedException {int sum = 0;for (IntWritable val : values) // 遍历 values集合，并把值相加{sum += val.get();}map.put(key.toString(), sum);System.out.println(new SimpleDateFormat("yyyy-MM-dd hh:mm:ss").format(new Date()) + ":" + key + "出现了" + sum);}
新建MapReduce程序启动类，创建一个Job，并执行。
public class ScoreMain {public static void main(String[] args) throws Exception {Configuration conf = new Configuration();// if (args.length != 2) {
// System.exit(2);
// }String input = "/mapred-case/评分.txt";String output = "/mapred-case/评分分布";Job job = new Job(conf, "ScoreCount"); // 新建一个 job，传入配置信息job.setJarByClass(ScoreMain.class); // 设置 job 的主类job.setMapperClass(ScoreMap.class); // 设置 job 的 Mapper 类job.setCombinerClass(ScoreReduce.class); // 设置 job 的 作业合成类job.setReducerClass(ScoreReduce.class); // 设置 job 的 Reducer 类job.setOutputKeyClass(Text.class); // 设置 job 输出数据的关键类job.setOutputValueClass(IntWritable.class); // 设置 job 输出值类FileInputFormat.addInputPath(job, new Path(input)); // 文件输入FileOutputFormat.setOutputPath(job, new Path(output)); // 文件输出boolean result = false;try {result = job.waitForCompletion(true);} catch (Exception e) {e.printStackTrace();}System.out.println(new SimpleDateFormat("yyyy-MM-dd hh:mm:ss").format(new Date()) + (result ? "电影评分（Score）统计完毕！！！" : "统计失败！！！"));}
}执行后，统计结果如下。
3.6 电影类型分布
数据是电影的分类
新建Map类，将电影类型写入上下文。
// Mapper抽象类的核心方法，三个参数public void map(Object key, // 首字符偏移量Text value, // 文件的一行内容Context context) // Mapper端的上下文，与 OutputCollector 和 Reporter 的功能类似throws IOException, InterruptedException {String[] ars = value.toString().split("['.;,?| \t\n\r\f]");for (String tmp : ars) {if (tmp == null || tmp.length() <= 0) {continue;}word.set(tmp);context.write(word, one);}}新建Reduce类，统计每个分类的数量。
// Reducer抽象类的核心方法，三个参数public void reduce(Text key, // Map端 输出的 key 值Iterable<IntWritable> values, // Map端 输出的 Value 集合（相同key的集合）Context context) // Reduce 端的上下文，与 OutputCollector 和 Reporter 的功能类似throws IOException, InterruptedException {int sum = 0;for (IntWritable val : values) // 遍历 values集合，并把值相加{sum += val.get();}map.put(key.toString(), sum);System.out.println(new SimpleDateFormat("yyyy-MM-dd hh:mm:ss").format(new Date()) + ":" + key + "出现了" + sum);}新建MapReduce程序启动类，创建一个Job，并执行。
public class TypeMain {public static void main(String[] args) throws Exception {Configuration conf = new Configuration();// if (args.length != 2) {
// System.exit(2);
// }String input = "/mapred-case/类型.txt";String output = "/mapred-case/类型分布";Job job = new Job(conf, "TypeCount"); // 新建一个 job，传入配置信息job.setJarByClass(TypeMain.class); // 设置 job 的主类job.setMapperClass(TypeMap.class); // 设置 job 的 Mapper 类job.setCombinerClass(TypeReduce.class); // 设置 job 的 作业合成类job.setReducerClass(TypeReduce.class); // 设置 job 的 Reducer 类job.setOutputKeyClass(Text.class); // 设置 job 输出数据的关键类job.setOutputValueClass(IntWritable.class); // 设置 job 输出值类FileInputFormat.addInputPath(job, new Path(input)); // 文件输入FileOutputFormat.setOutputPath(job, new Path(output)); // 文件输出boolean result = false;try {result = job.waitForCompletion(true);} catch (Exception e) {e.printStackTrace();}System.out.println(new SimpleDateFormat("yyyy-MM-dd hh:mm:ss").format(new Date()) + (result ? "电影标签（Type）统计完毕！！！" : "统计失败！！！"));}
}
本文全部数据集和代码连接https://download.csdn.net/download/shangjg03/88596022
