Hadoop之WordCount测试

1、Hadoop简介：

Hadoop是Apache旗下的一个用Java语言实现的开源软件框架，是一个开发和运行处理大规模数据的软件平台。

Hadoop的核心组件包括Hadoop分布式文件系统（HDFS）和MapReduce编程模型。HDFS是一个高度容错的系统，用于存储大规模数据集，具有高可靠性、高扩展性和高吞吐率的特点。MapReduce则是一个用于处理这些数据集的编程模型，它简化了并行编程的复杂性，使得开发者可以专注于业务逻辑的实现。

Hadoop的优势在于其高可靠性、高扩展性、高效性、高容错性以及低成本。它能够自动保存数据的多个副本，并且能够自动将失败的任务重新分配。此外，Hadoop还提供了一个完备的生态系统，包括了许多与之配合使用的开源工具和组件，如Hive、Pig、HBase、ZooKeeper等，这些工具可以快速地构建数据分析和处理系统。

很多Hadoop应用都是基于WordCount所代表的MapReduce编程模型变化而来，因此，WordCount可以算是入门Hadoop的“Helloworld”程序，本文将详细说明如何运行一个WordCount任务。

2、Ubuntu安装Hadoop

详见：Ubuntu安装Hadoop3.4-CSDN博客

3、WordCount测试

启动Hadoop：

start-all.sh

在Hadoop中创建测试文件夹

$ hdfs dfs -mkdir /user
$ hdfs dfs -mkdir /user/hadoop

上传本地文件至hadoop用作后续测试：

$ hdfs dfs -put /home/hadoop/training/hadoop-3.4.0/etc/hadoop /user/hadoop/input

查看上传的文件：

hdfs dfs -ls /user/hadoop/input

在share/hadoop目录中有一些示例jar包，我们将运行hadoop-mapreduce-examples-3.4.0.jar来完成词频统计任务。

hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.4.0.jar wordcount /user/hadoop/input /user/hadoop/output

完成此任务需要一些时间，需要耐心等待，可以在终端看到运行过程。

WordCount任务完成后，将output下载至本地：

hdfs dfs -get /user/hadoop/output output

查看词频统计结果：