调用MapReduce进行词频统计

一、需求描述

Hadoop综合大作业要求：

1.将待分析的文件（不少于10000英文单词）上传到HDFS。

2.调用MapReduce对文件中各个单词出现的次数进行统计。

3.将统计结果下载本地。

4.写一篇博客描述你的分析过程和分析结果。

本次大作业，我们需要实现的是调用MapReduce对文件中各个单词出现的次数进行统计。要求在Linux系统中实现上述操作。首先要安装Ubuntu系统，然后要配置Java环境，安装JDK。Ubuntu提供了一个健壮，功能丰富的计算环境。

二、环境介绍

首先在Windows下安装VMware workstationPro,然后在VMware workstationPro上安装 Ubuntu 18.04。首先，在Ubuntu18.04虚拟机上安装JDK，配置JAVA环境。然后在 Ubuntu18.04 中安装 Hadoop并且配置Hadoop伪分布式。在Eclipse官网下载Eclipse Linux版本的安装包，上传到ubuntu上安装。安装好后，把待分析的文件上传到 HDFS，然后在 Eclipse 中创建 MapReduce项目，为项目添加需要用到的 JAR 包。运行词频统计代码并且将词频统计代码打包成二进制文件，对待词频统计的文件进行词频统计

三、数据来源及数据上传

准备一个待分析的 10000 字英文单词文件，命名为 syj.txt。文件内容为<<老人与海>>英文前两章（如图一所示）。并且使用共享文件夹的方式将syj.txt上传到虚拟机里面。

图1 文件内容

文件已经上传到/home/yaco/tools/hadoop/standby目录下了

图2 上传到ubuntu虚拟机

四、数据上传结果查看

启动 hadoop，将 syj.txt 上传至 HDFS：

图3 启动HDFS

图4 jps查看进程确认已经跑起来了

查看 HDFS input 文件，看是否存在syj.txt：

图5 查看syj.txt是否上传到了HDFS上

五、数据处理过程的描述

1、打开eclipse:

图6 打开eclipse

2、在 Eclipse 中创建 MapReduce 项目

图7

3.选择“File–>New–>Java Project”菜单，开始创建一个 Java 工程，弹出如下图所

示界面。

图8 创建一个java项目

Use defalut location 可以修改项目的保存路径，该选项可以自定义自己的保存路径，然后点击next即可。

4、为项目添加所依赖的JAR包，如图9所示，选择add terminal JARS

“/usr/local/hadoop/share/hadoop/common”目录下的 hadoop-common-3.1.3.jar 和 haoop-nfs-3.1.3.jar；
“/usr/local/hadoop/share/hadoop/common/lib”目录下的所有 JAR 包；
“/usr/local/hadoop/share/hadoop/mapreduce”目录下的所有 JAR 包，但是不包括 jdiff、lib、lib-examples 和 sources 目录。
“/usr/local/hadoop/share/hadoop/mapreduce/lib”目录下的所有 JAR 包。

图9 选择添加外部JAR包

图10 添加jar包完成

5、创建一个类，名为”WordCount”

图11 创建一个WordCount类

6、清空里面的代码，并将下述代码拷贝上去，如图12所示

import java.io.IOException;
import java.util.Iterator;
import java.util.StringTokenizer;
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 WordCount {public WordCount() {}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: wordcount <in> [<in>...] <out>");System.exit(2);}Job job = Job.getInstance(conf, "word count");job.setJarByClass(WordCount.class);job.setMapperClass(WordCount.TokenizerMapper.class);job.setCombinerClass(WordCount.IntSumReducer.class);job.setReducerClass(WordCount.IntSumReducer.class);job.setOutputKeyClass(Text.class);job.setOutputValueClass(IntWritable.class); for(int i = 0; i < otherArgs.length - 1; ++i) {FileInputFormat.addInputPath(job, new Path(otherArgs[i]));}FileOutputFormat.setOutputPath(job, new Path(otherArgs[otherArgs.length - 1]));System.exit(job.waitForCompletion(true)?0:1);}public static class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable> {private static final IntWritable one = new IntWritable(1);private Text word = new Text();public TokenizerMapper() {}public void map(Object key, Text value, Mapper<Object, Text, Text, IntWritable>.Context context) throws IOException, InterruptedException {StringTokenizer itr = new StringTokenizer(value.toString()); while(itr.hasMoreTokens()) {this.word.set(itr.nextToken());context.write(this.word, one);}}}
public static class IntSumReducer extends Reducer<Text, IntWritable, Text, IntWritable> {private IntWritable result = new IntWritable();public IntSumReducer() {}public void reduce(Text key, Iterable<IntWritable> values, Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException {int sum = 0;IntWritable val;for(Iterator i$ = values.iterator(); i$.hasNext(); sum += val.get()) {val = (IntWritable)i$.next();}this.result.set(sum);context.write(key, this.result);}}
}

图12 复制词频统计代码

7、点击|>按钮运行代码，如图13所示

图13 运行代码

8、打包成二进制可执行文件

File->Export进入到图14界面

图14 Export

9、指定二进制可执行文件的路径，点击finish就在指定路径下生成可执行文件

图15 指定可执行二进制文件的路径

六、处理结果的下载及命令行展示

1、进入刚刚导出的可执行文件的文件夹下的路径，查看是否存在了刚刚导出来的可执行文件

cd /home/yaco/tools/hadoop/myapp

图16 确认已经成功导出可执行文件

2、进入hadoop目录，使用可执行文件进行词频统计

./bin/hadoop jar ./myapp/WordCount.jar input output

图17 使用可执行文件进行词频统计

3、将处理结果下载到本地

bin/hdfs dfs -get output/* ./myapp/

图18 将处理结果下载到本地

4、命令行展示统计结果

cd myapp/

Cat part-r-00000

图19 统计结果展示

七、经验总结

通过这次的大作业，我学到了很多东西，安装hadoop伪分布式的时候，有两个小小的问题，书上可能没有提及的，一个是启动脚本需要添加指定用户的命令，另一个是在hadoop里面的环境变量的一个脚本还需要重新声明JAVA_HOME全局变量。如果hadoop伪分布式安装成功了，但是安装伪分布式的时候是指定的root用户，在mapreduce实验的时候也会出现如下问题：

跑二进制WordCount的时候没有输出，经过我的认真排查，终于发现了问题，我一开始安装hadoop的时候并不是指定hadoop用户，而是指定的root用户，所以要在文件输入的时候指定/user/root/input路径。才能成功输出词频统计结果，如果用户创建hadoop使用什么用户创建的就要指定对应的用户才能运行成功。

参考文献

[1]http://dblab.xmu.edu.cn/blog/2481-2/

[2]http://dblab.xmu.edu.cn/blog/3043-2/#more-3043

[3]http://dblab.xmu.edu.cn/blog/337-2/#more-337

[4]http://dblab.xmu.edu.cn/blog/tag/linux/

[5]http://dblab.xmu.edu.cn/blog/778-2/#more-778

调用MapReduce进行词频统计相关推荐

hadoop使用mapreduce统计词频_hadoop利用mapreduce运行词频统计（非例程）
1.运行环境 1.Ubuntu16.04单系统 2.hadoop-3.2.1 2.操作步骤 1.使用eclipse编写map reduce run 函数 2.导出jar包 3.将需要进行词频统计的文件 ...
MapReduce实现词频统计
问题描述:现在有n个文本文件,使用MapReduce的方法实现词频统计. 附上统计词频的关键代码,首先是一个通用的MapReduce模块: class MapReduce:__doc__ = '''提 ...
Mapreduce入门--词频统计
前言本篇博客内容:使用Hadoop提供给Java的依赖和接口轻松实现Mapreduce词频统计程序的入门. 工具:IDEA 需求:统计<yxp>这首诗中每个单词和符号出现的次数诗的内容 ...
MapReduce编程 -词频统计
词频统计首先,MapReduce通过默认的组件TextInputFormat将待处理的数据文件(text1.txt和text2.txt),把每一行的数据都转变为<key,value>键值 ...
从零开始之使用 MapReduce 对文件进行词频统计
文章目录 1. Linux的选择 2. 在 Ubuntu 中安装 Hadoop 2.1 创建Hadoop用户 2.2 下载并安装 Hadoop3.3.1 3. 安装 Java 环境 3.1 下载并进行 ...
东南亚语种分词和词频统计
项目有一个需求,需要对16万缅甸语新闻做词频统计.首先是分词工具的选择和使用,然后是词频统计. 分词: 工具有voyant-tools.myanmar-tokenizer以及我使用的es的icu_an ...
Hadoop实现词频统计（按照词频降序排列以及相同词频的单词按照字母序排列）
Hadoop实现词频统计(按照词频降序排列以及相同词频的单词按照字母序排列) 一.环境二.实现步骤 1.数据 2.主函数 3.第一个MapReduce Map Reduce 4.第二个MapRedu ...
调用MapReduce对文件中各个单词出现的次数进行统计
调用MapReduce对文件中各个单词出现的次数进行统计实验配置:环境:Hadoop | 软件:Eclipse | Ubuntu系统 | ------------------------------ ...
MapReduce词频统计
1.1 文件准备创建本地目录和创建两个文本文件,在两个文件中输入单词,用于统计词频. cd /usr/local/hadoop mkdir WordFile cd WordFile touch wo ...

调用MapReduce进行词频统计

调用MapReduce进行词频统计相关推荐

最新文章

热门文章