Exemplo de WordCount - MaxCompute: Central de Documentação do Alibaba Cloud

Este exemplo demonstra como executar um job WordCount no MaxCompute MapReduce, desde a criação das tabelas de entrada e o upload dos dados até a execução do job e a verificação da saída.

Como funciona

O exemplo WordCount segue o fluxo de dados padrão do MapReduce:

(input) <k1, v1>  ->  map  ->  <k2, v2>  ->  combine  ->  <k2, v2>  ->  reduce  ->  <k3, v3>  (output)

Três classes implementam esse pipeline:

TokenizerMapper: lê cada registro da tabela de entrada e emite cada valor de campo como uma chave com contagem 1.
SumCombiner: agrega as contagens localmente no nó mapper antes de enviar os dados ao reducer, reduzindo o tráfego de rede.
SumReducer: soma todas as contagens para cada chave única e grava o resultado final na tabela de saída.

Pré-requisitos

Antes de começar, certifique-se de ter:

Concluído a configuração do ambiente descrita em Primeiros passos.

Prepare o ambiente

1. Prepare o pacote JAR.

O pacote JAR deste exemplo é mapreduce-examples.jar, localizado no diretório bin\data\resources do caminho de instalação do cliente MaxCompute.

Crie as tabelas de entrada e saída:

CREATE TABLE wc_in (key STRING, value STRING);
CREATE TABLE wc_out (key STRING, cnt BIGINT);

Adicione o pacote JAR como recurso:

add jar data\resources\mapreduce-examples.jar -f;

Omita -f ao adicionar o pacote JAR pela primeira vez.

2. Faça o upload dos dados de entrada.

Use o Tunnel para fazer o upload do arquivo data.txt do diretório bin do cliente MaxCompute para a tabela wc_in:

tunnel upload data.txt wc_in;

Os seguintes dados são carregados em wc_in:

hello,odps

Execute o WordCount

Execute o job WordCount no cliente MaxCompute:

jar -resources mapreduce-examples.jar -classpath data\resources\mapreduce-examples.jar com.aliyun.odps.mapred.open.example.WordCount wc_in wc_out

Verifique o resultado

Após a conclusão do job, consulte a tabela wc_out para visualizar a saída:

SELECT * FROM wc_out;

O resultado deve corresponder ao seguinte:

+------------+------------+
| key        | cnt        |
+------------+------------+
| hello      | 1          |
| odps       | 1          |
+------------+------------+

Código de exemplo

Para configurar dependências do Project Object Model (POM), consulte a seção Precauções em Primeiros passos.

package com.aliyun.odps.mapred.open.example;
import java.io.IOException;
import java.util.Iterator;
import com.aliyun.odps.data.Record;
import com.aliyun.odps.data.TableInfo;
import com.aliyun.odps.mapred.JobClient;
import com.aliyun.odps.mapred.MapperBase;
import com.aliyun.odps.mapred.ReducerBase;
import com.aliyun.odps.mapred.conf.JobConf;
import com.aliyun.odps.mapred.utils.InputUtils;
import com.aliyun.odps.mapred.utils.OutputUtils;
import com.aliyun.odps.mapred.utils.SchemaUtils;

public class WordCount {

    // Mapper: reads each record, emits (word, 1) for every field value
    public static class TokenizerMapper extends MapperBase {
        private Record word;
        private Record one;

        @Override
        public void setup(TaskContext context) throws IOException {
            word = context.createMapOutputKeyRecord();
            one = context.createMapOutputValueRecord();
            one.set(new Object[] { 1L });
            System.out.println("TaskID:" + context.getTaskID().toString());
        }

        @Override
        public void map(long recordNum, Record record, TaskContext context)
                throws IOException {
            for (int i = 0; i < record.getColumnCount(); i++) {
                word.set(new Object[] { record.get(i).toString() });
                context.write(word, one);
            }
        }
    }

    // Combiner: aggregates map output locally before shuffling to the reducer
    public static class SumCombiner extends ReducerBase {
        private Record count;

        @Override
        public void setup(TaskContext context) throws IOException {
            count = context.createMapOutputValueRecord();
        }

        @Override
        public void reduce(Record key, Iterator<Record> values, TaskContext context)
                throws IOException {
            long c = 0;
            while (values.hasNext()) {
                Record val = values.next();
                c += (Long) val.get(0);
            }
            count.set(0, c);
            context.write(key, count);
        }
    }

    // Reducer: sums counts for each unique key and writes the final output
    public static class SumReducer extends ReducerBase {
        private Record result = null;

        @Override
        public void setup(TaskContext context) throws IOException {
            result = context.createOutputRecord();
        }

        @Override
        public void reduce(Record key, Iterator<Record> values, TaskContext context)
                throws IOException {
            long count = 0;
            while (values.hasNext()) {
                Record val = values.next();
                count += (Long) val.get(0);
            }
            result.set(0, key.get(0));
            result.set(1, count);
            context.write(result);
        }
    }

    public static void main(String[] args) throws Exception {
        if (args.length != 2) {
            System.err.println("Usage: WordCount <in_table> <out_table>");
            System.exit(2);
        }

        JobConf job = new JobConf();
        job.setMapperClass(TokenizerMapper.class);
        job.setCombinerClass(SumCombiner.class);
        job.setReducerClass(SumReducer.class);

        // Define the intermediate key-value schema between mapper and reducer
        job.setMapOutputKeySchema(SchemaUtils.fromString("word:string"));
        job.setMapOutputValueSchema(SchemaUtils.fromString("count:bigint"));

        // Set input and output tables
        InputUtils.addTable(TableInfo.builder().tableName(args[0]).build(), job);
        OutputUtils.addTable(TableInfo.builder().tableName(args[1]).build(), job);

        JobClient.runJob(job);
    }
}

Passo a passo

Para ilustrar o fluxo de dados no pipeline, veja o que cada estágio produz para a entrada hello,odps:

Saída do Mapper — TokenizerMapper emite um par chave-valor por campo:

<hello, 1>
<odps,  1>

Saída do Combiner — SumCombiner agrega localmente (neste pequeno exemplo, as contagens permanecem 1):

<hello, 1>
<odps,  1>

Saída do Reducer — SumReducer grava as contagens finais somadas em wc_out:

<hello, 1>
<odps,  1>