MapReduce基础开发之二数据去重和排序

因Hadoop集群平台网络限制，只能在eclipse里先写好代码再提交jar到集群平台namenode上执行，不能实时调试，所以没有配置eclipse的hadoop开发环境，只是引入了hadoop的lib包。

eclipse的hadoop开发环境配置可参考：http://www.cnblogs.com/xia520pi/archive/2012/05/20/2510723.html

MapReduce的基础开发也是通过该博客系列学习到，很感谢！

1、数据去重
在MapReduce流程中，map的输出<key，value>经过shuffle过程聚集成<key，value-list>后会交给reduce。 map将输入的value复制到输出数据的key上，并直接输出；
经过shuffle，相同key形成<key，value-list>，作为reduce的输入；reduce将输入中的key复制到输出数据的key上，并直接输出。利用MapReduce对key的汇聚机制将重复的数据去掉。

1）在namenode系统tmp目录下新建输入文件file1.txt和file2.txt，上传到hadoop
命令：hadoop fs -put /tmp/file1.txt /tmp/fjs/in
注意：file1.txt和file2.txt中要有重复的行，可以看出去重效果
2）编码DataDedup并导出mr.jar和上传到namenode系统tmp目录下
注意：通过eclipse工程导出Runnable JAR file包含hadoop lib包，如通过Fatjar不要勾选one-JAR。

代码如下：

package com.data;import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
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 DataDedup {public static class Map extends Mapper<Object,Text,Text,Text>{private static Text line=new Text();//每行数据public void map(Object key,Text value,Context context) throws IOException,InterruptedException{line=value;context.write(line, new Text(""));}}public static class Reduce extends Reducer<Text,Text,Text,Text>{public void reduce(Text key,Iterable<Text> values,Context context) throws IOException,InterruptedException{context.write(key, new Text(""));}}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: datadedup <in> <out>");System.exit(2);}Job job = new Job(conf, "data dedup");job.setJarByClass(DataDedup.class);job.setNumReduceTasks(1);//设置reduce输入文件一个，方便查看结果，如设置为0就是不执行reduce，map就输出结果job.setMapperClass(Map.class);job.setCombinerClass(Reduce.class);job.setReducerClass(Reduce.class);job.setOutputKeyClass(Text.class);job.setOutputValueClass(Text.class);FileInputFormat.addInputPath(job, new Path(otherArgs[0]));FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));System.exit(job.waitForCompletion(true) ? 0 : 1);}
}

3）执行jar并查看结果
执行：yarn jar /tmp/mr.jar /tmp/fjs/in /tmp/fjs/out
注意：out目录不能先创建，hadoop会自己创建
查看：hadoop fs -text /tmp/fjs/out/part-r-00000.bz2
注意：这里执行的Hadoop集群平台reduce输出文件是bz2压缩
为方便观察结果，设置reduce数量为1，job.setNumReduceTasks(1)

2、数据排序
MapReduce过程中按照key值排序的，如果key为封装int的IntWritable类型则按照数字大小对key排序，如果key为封装为String的Text类型，则按照字典顺序对字符串排序。
在map中将读入的数据转化成IntWritable型，然后作为key值输出（value任意）。reduce拿到<key，value-list>后，将输入的key作为value输出，并根据value-list中元素的个数决定输出的次数。输出的key（即代码中的linenum）是一个全局变量，它统计当前key的位次。MapReduce过程中map和reduce即完成任务，不需要配置Combiner任务。
1）在namenode系统tmp目录下新建输入文件file3.txt和file4.txt，上传到hadoop
命令：hadoop fs -put /tmp/file3.txt /tmp/fjs/in1
注意：file3.txt和file4.txt中每行输入整数，最好有重复；
2）编码DataSort并导出mr.jar和上传到namenode系统tmp目录下
注意：和DataDedup放在同一工程下，导出时，要选择DataSort作为主类

代码如下：

package com.data;import java.io.IOException;
import java.util.Iterator;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 DataSort {//map将输入中的value化成IntWritable类型，作为输出的keypublic static class Map extends Mapper<Object,Text,IntWritable,IntWritable>{private static IntWritable data=new IntWritable();public void map(Object key,Text value,Context context) throws IOException,InterruptedException{String line=value.toString();data.set(Integer.parseInt(line));context.write(data, new IntWritable(1));}}//reduce将输入中的key复制到输出数据的key上，//然后根据输入的value-list中元素的个数决定key的输出次数//用全局linenum来代表key的位次public static class Reduce extends Reducer<IntWritable,IntWritable,IntWritable,IntWritable>{private static IntWritable linenum = new IntWritable(1);public void reduce(IntWritable key,Iterable<IntWritable> values,Context context)throws IOException,InterruptedException{Iterator<IntWritable> itVal=values.iterator();while(itVal.hasNext()){//for(IntWritable val:values){            context.write(linenum, key);linenum = new IntWritable(linenum.get()+1);}}}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: datasort <in> <out>");System.exit(2);}Job job = new Job(conf, "data sort");job.setJarByClass(DataSort.class);job.setNumReduceTasks(1);//设置reduce输入文件一个，方便查看结果，如设置为0就是不执行reduce，map就输出结果job.setMapperClass(Map.class);job.setReducerClass(Reduce.class);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);}
}

3）执行jar并查看结果
执行：yarn jar /tmp/mr.jar /tmp/fjs/in1 /tmp/fjs/out1
查看：hadoop fs -text /tmp/fjs/out1/part-r-00000.bz2

3、总结：
通过MapReduce开发之词汇统计和排序以及数据去重和排序，进一步理解Map-Reduce的计算框架，其代码处理流程通俗描述为：
1）MapReduce对输入的文件分片并按照行提取<key,value>，作为Map的输入，其中key是每行的偏移量，value就是每一行的数据；
2）MapReduce调用自定义的map函数来处理输入的<key,value>并以<key,value>输出加工后的数据；
3）MapReduce开始shuffle处理map输出的<key,value>，形成<key,value-list>，汇集相同key的值为list；
4）最后MapReduce调用自定义的reduce函数来处理输入的<key,value-list>，并以<key,value>输出结果；
整个步骤就是：分片-map-汇聚-reduce，在框架之上定义自己的map和reduce函数来加工数据。

MapReduce基础开发之二数据去重和排序相关推荐

MapReduce基础开发之十二ChainMapper和ChainReducer使用
1.需求场景: 过滤无意义的单词后再进行文本词频统计.处理流程是: 1)第一个Map使用无意义单词数组过滤输入流: 2)第二个Map将过滤后的单词加上出现一次的标签: 3)最后Reduce输出词 ...
MapReduce基础开发之六Map多输入
在实际MapReduce开发中,会遇到需要数据多输入路径并有对应的Map函数来处理,这需要MultipleInputs.addInputPath(job, path, inputFormatClass ...
MapReduce基础开发之四参数传递
Map和Reduce函数是在各节点进行,如果要在MapReduce数据加工中使用共同参数,要如何传参呢?方法有二: 1.Configuration类的set和get的方法读取xml/txt文件设置或自 ...
MapReduce基础开发之十读写ORC File
1.ORC File Orc是Hive特有的一种列式存储的文件格式,它有着非常高的压缩比和读取效率,因此很快取代了之前的RCFile,成为Hive中非常常用的一种文件格式. 2.编译ORC Jar包 ...
MapReduce基础开发之七Hive外部表分区
MapReduce输出的数据在实际应用中会加载在不同子目录下,比如按照日期.地区等,然后统一到外部表,这就需要用到hive表的分区. 假设输出的数据放在/tmp/fjs/dpi父目录下,下面分别有三个 ...
MapReduce基础开发之五分布式下载ftp文件到本地再迁移到hdfs
为利用Hadoop集群平台的分布存储和计算能力,基于MapReduce将ftp文件分布式下载并上传到HDFS中. 1.文件移动流程:ftp服务器->datanode本地目录->HDFS目录 ...
MapReduce基础开发之三字段处理并输出Hive表
1.MR设计和开发 1)设计: 输入:用户名 | 数字ip | 时间戳 | url MR处理:正则表达式匹配url,满足则解析url并转换ip和时间戳, 输出:用 ...
MapReduce基础开发之一词汇统计和排序（wordcount）
统计/var/log/boot.log中含k的字符的数量,并对含k的字符按照数量排序.需分两个job完成,一个用来统计,一个用来排序. 一.统计 1.上传文件到hadoop: 1)新建文件夹:h ...
MapReduce基础开发之十一DistributedCache使用
1.需求场景: 过滤无意义的单词后再进行文本词频统计.处理流程是: 1)预定义要过滤的无意义单词保存成文件,保存到HDFS中: 2)程序中将该文件定位为作业的缓存文件,使用Distributed ...

MapReduce基础开发之二数据去重和排序

MapReduce基础开发之二数据去重和排序相关推荐

最新文章

热门文章