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DistributedCache类；
3）Map中读入缓存文件，对文件中的单词不做词频统计。
该场景主要解决文件在Hadoop各task之间共享的问题，用conf传递参数不能传输大文件，于是通过DistributedCache派发文件到各节点。

2、具体代码如下：

package com.word;import java.io.BufferedReader;
import java.io.FileReader;
import java.io.IOException;
import java.net.URI;
import java.util.HashSet;
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.filecache.DistributedCache;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;public class FilterWordCount {public static class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable>{private final static IntWritable one = new IntWritable(1);private Text word = new Text();private HashSet<String> keyWord;private Path[] localFiles;//setup函数在Map task启动之后立即执行public void setup(Context context) throws IOException,InterruptedException{keyWord=new  HashSet<String>();Configuration conf=context.getConfiguration();localFiles=DistributedCache.getLocalCacheFiles(conf);//将缓存文件内容读入到当前Map Task的全局变量中for(int i=0;i<localFiles.length;i++){String aKeyWord;BufferedReader br=new BufferedReader(new FileReader(localFiles[i].toString()));while((aKeyWord=br.readLine())!=null){keyWord.add(aKeyWord);}br.close();}}//根据缓存文件中缓存的无意义单词对输入流进行过滤public void map(Object key, Text value, Context context)throws IOException, InterruptedException {StringTokenizer itr = new StringTokenizer(value.toString());while (itr.hasMoreTokens()) {String aword=itr.nextToken();//获取字符if(!keyWord.contains(aword)){//不包含无意义单词word.set(aword);context.write(word, one);}}}}public static class IntSumReducer extends Reducer<Text,IntWritable,Text,IntWritable> {private IntWritable result = new IntWritable();public void reduce(Text key, Iterable<IntWritable> values,Context context) throws IOException, InterruptedException {int sum = 0;for (IntWritable val : values) {sum += val.get();}result.set(sum);context.write(key, result);}}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: FilterWordCount <in> <out>");System.exit(2);}//将HDFS上的文件设置成当前作业的缓存文件DistributedCache.addCacheFile(new URI("/tmp/fjs/kw.txt"), conf);Job job = new Job(conf, "FilterWordCount");job.setJarByClass(FilterWordCount.class);job.setMapperClass(TokenizerMapper.class);job.setCombinerClass(IntSumReducer.class);job.setReducerClass(IntSumReducer.class);job.setOutputKeyClass(Text.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);}
}
/** 统计的输入文件：hadoop fs -put /var/log/boot.log /tmp/fjs/* 无意义单词缓存文件：/tmp/fjs/kw.txt* 结果输出文件：/tmp/fjs/fwcout* 执行命令：hadoop jar /mnt/FilterWordCount.jar /tmp/fjs/boot.log /tmp/fjs/fwcout*/

MapReduce基础开发之十一DistributedCache使用相关推荐

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l ...
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context.write注意new text()多出一列的问题
1.问题描述:在MapReduce中代码中,Map输出context.write(okey,new text("")),Reduce也是context.write(okey,new ...
MapReduce基础开发之八HDFS文件CRUD操作
HDFS文件操作的基础代码. package com.hive;import java.io.BufferedInputStream; import java.io.BufferedOutputStr ...
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基础开发之十一DistributedCache使用

MapReduce基础开发之十一DistributedCache使用相关推荐

最新文章

热门文章