A股上市公司传智教育(股票代码 003032)旗下技术交流社区北京昌平校区

 找回密码
 加入黑马

QQ登录

只需一步,快速开始

1.模拟数据:
[hadoop@h71 q1]$ vi file1.txt
mapreduce is simple

[hadoop@h71 q1]$ vi file2.txt
mapreduce is powerful is simple

[hadoop@h71 q1]$ vi file3.txt
hello mapreduce bye mapreduce


补充:
(1)这里存在两个问题:第一,<key,value>对只能有两个值,在不使用Hadoop自定义数据类型的情况下,需要根据情况将其中两个值合并成一个值,作为key或value值;第二,通过一个Reduce过程无法同时完成词频统计和生成文档列表,所以必须增加一个Combine过程完成词频统计。
(2)这里讲单词和URL组成key值(如"MapReduce:file1.txt"),将词频作为value,这样做的好处是可以利用MapReduce框架自带的Map端排序,将同一文档的相同单词的词频组成列表,传递给Combine过程,实现类似于WordCount的功能。
(3)Combine过程:经过map方法处理后,Combine过程将key值相同的value值累加,得到一个单词在文档在文档中的词频,如果直接输出作为Reduce过程的输入,在Shuffle过程时将面临一个问题:所有具有相同单词的记录(由单词、URL和词频组成)应该交由同一个Reducer处理,但当前的key值无法保证这一点,所以必须修改key值和value值。这次将单词作为key值,URL和词频组成value值(如"file1.txt:1")。这样做的好处是可以利用MapReduce框架默认的HashPartitioner类完成Shuffle过程,将相同单词的所有记录发送给同一个Reducer进行处理。


2.将数据上传到hdfs上:
[hadoop@h71 q1]$ hadoop fs -mkdir /user/hadoop/index_in

[hadoop@h71 q1]$ hadoop fs -put file1.txt /user/hadoop/index_in
[hadoop@h71 q1]$ hadoop fs -put file2.txt /user/hadoop/index_in
[hadoop@h71 q1]$ hadoop fs -put file3.txt /user/hadoop/index_in


3.[hadoop@h71 q1]$ vi InvertedIndex.java




  • import java.io.IOException;



  • import java.util.StringTokenizer;







  • 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.input.FileSplit;



  • import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;



  • import org.apache.hadoop.util.GenericOptionsParser;







  • public class InvertedIndex {







  •         public static class Map extends Mapper<Object, Text, Text, Text> {



  •         private Text keyInfo = new Text(); // 存储单词和URL组合



  •         private Text valueInfo = new Text(); // 存储词频



  •         private FileSplit split; // 存储Split对象



  •         // 实现map函数



  •         public void map(Object key, Text value, Context context) throws IOException, InterruptedException {



  •                 // 获得<key,value>对所属的FileSplit对象



  •                 split = (FileSplit) context.getInputSplit();



  •                 StringTokenizer itr = new StringTokenizer(value.toString());



  •                 while (itr.hasMoreTokens()) {



  •                         // key值由单词和URL组成,如"MapReduce:file1.txt"



  •                         // 获取文件的完整路径



  •                         // keyInfo.set(itr.nextToken()+":"+split.getPath().toString());



  •                         // 这里为了好看,只获取文件的名称。



  •                         int splitIndex = split.getPath().toString().indexOf("file");



  •                 keyInfo.set(itr.nextToken() + ":" + split.getPath().toString().substring(splitIndex));



  •                 // 词频初始化为1



  •                 valueInfo.set("1");



  •                 context.write(keyInfo, valueInfo);



  •             }



  •         }



  •     }







  •     public static class Combine extends Reducer<Text, Text, Text, Text> {



  •         private Text info = new Text();



  •         // 实现reduce函数



  •         public void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {



  •             // 统计词频



  •             int sum = 0;



  •             for (Text value : values) {



  •                 sum += Integer.parseInt(value.toString());



  •             }



  •             int splitIndex = key.toString().indexOf(":");



  •             // 重新设置value值由URL和词频组成



  •             info.set(key.toString().substring(splitIndex + 1) + ":" + sum);



  •             // 重新设置key值为单词



  •             key.set(key.toString().substring(0, splitIndex));



  •             context.write(key, info);



  •         }



  •     }







  •         public static class Reduce extends Reducer<Text, Text, Text, Text> {



  •         private Text result = new Text();



  •         // 实现reduce函数



  •         public void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {



  •             // 生成文档列表



  •             String fileList = new String();



  •             for (Text value : values) {



  •                 fileList += value.toString() + ";";



  •             }



  •             result.set(fileList);



  •             context.write(key, result);



  •         }



  •     }







  •         public static void main(String[] args) throws Exception {



  •                 Configuration conf = new Configuration();



  •         conf.set("mapred.jar", "ii.jar");







  •         String[] ioArgs = new String[] { "index_in", "index_out" };



  •         String[] otherArgs = new GenericOptionsParser(conf, ioArgs).getRemainingArgs();







  •         if (otherArgs.length != 2) {



  •             System.err.println("Usage: Inverted Index <in> <out>");



  •             System.exit(2);



  •         }







  •         Job job = new Job(conf, "Inverted Index");



  •         job.setJarByClass(InvertedIndex.class);







  •         // 设置Map、Combine和Reduce处理类



  •         job.setMapperClass(Map.class);



  •         job.setCombinerClass(Combine.class);



  •         job.setReducerClass(Reduce.class);







  •         // 设置Map输出类型



  •         job.setMapOutputKeyClass(Text.class);



  •         job.setMapOutputValueClass(Text.class);







  •         // 设置Reduce输出类型



  •         job.setOutputKeyClass(Text.class);



  •         job.setOutputValueClass(Text.class);







  •         // 设置输入和输出目录



  •         FileInputFormat.addInputPath(job, new Path(otherArgs[0]));



  •         FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));



  •         System.exit(job.waitForCompletion(true) ? 0 : 1);



  •     }



  • }



4.知识点延伸:
(1)int indexOf(String str) :返回第一次出现的指定子字符串在此字符串中的索引。
(2)int indexOf(String str, int startIndex):从指定的索引处开始,返回第一次出现的指定子字符串在此字符串中的索引。
(3)int lastIndexOf(String str) :返回在此字符串中最右边出现的指定子字符串的索引。
(4)int lastIndexOf(String str, int startIndex) :从指定的索引处开始向后搜索,返回在此字符串中最后一次出现的指定子字符串的索引。
(5)indexOf("a")是从字符串的0个位置开始查找的。比如你的字符串:"abca",那么程序将会输出0,之后的a是不判断的。
(6)str=str.substring(int beginIndex);截取掉str从首字母起长度为beginIndex的字符串,将剩余字符串赋值给str
(7)str=str.substring(int beginIndex,int endIndex);截取str中从beginIndex开始至endIndex结束时的字符串,并将其赋值给str


5.执行:
[hadoop@h71 q1]$ /usr/jdk1.7.0_25/bin/javac InvertedIndex.java
[hadoop@h71 q1]$ /usr/jdk1.7.0_25/bin/jar cvf xx.jar InvertedIndex*class
[hadoop@h71 q1]$ hadoop jar xx.jar InvertedIndex


6.查看结果:
[hadoop@h71 q1]$ hadoop fs -cat /user/hadoop/index_out/part-r-00000
bye     file3.txt:1;
hello   file3.txt:1;
is      file1.txt:1;file2.txt:2;
mapreduce       file2.txt:1;file3.txt:2;file1.txt:1;
powerful        file2.txt:1;
simple  file2.txt:1;file1.txt:1;


号外:有一网友给我发私信说遇到了个问题,让我帮一下他

题目:将数据源文件上传到HDFS系统进行存储,然后基于MapReduce编程进行数据分析,测试数据来源于美国专利文献数据



数据源:




  • 5855015,1998,14242,1995,"US","CA",715526,2,38,707,2,22,5,4,1,0.5,0.32,2,3.8,0,0,0,0



  • 5855016,1998,14242,1995,"US","CA",147695,2,2,707,2,22,8,0,1,,0.5938,,12.375,0,0,,



  • 5855018,1998,14242,1996,"IL","",636865,3,18,707,2,22,5,0,1,,0.72,,2.6,0,0,,



  • 5855019,1998,14242,1997,"US","CA",280070,2,18,707,2,22,7,0,1,,0,,5.4286,0.1429,0.1429,,



  • 5855020,1998,14242,1996,"US","CA",732759,2,10,707,2,22,5,1,1,0,0.48,1,0.4,0.25,0.2,0,0



  • 5855021,1999,14249,1996,"US","MI",,1,,2,6,63,9,0,0.5556,,0,,40.5556,,,,



  • 5855022,1999,14249,1998,"US","IL",,1,,2,6,63,9,0,0.8889,,0.375,,18.8889,,,,



  • 5855023,1999,14249,1996,"US","PA",,1,,2,6,63,13,0,0.1538,,0,,63.6154,,,,



  • 5855024,1999,14249,1997,"US","NJ",749658,2,,4,6,65,2,0,0,,,,94.5,0,0,,



  • 5855025,1999,14249,1997,"US","CA",,1,,4,6,65,9,0,0.8889,,0.2188,,18.4444,,,,



  • 5855026,1999,14249,1997,"US","KS",,1,,2,6,63,5,0,0.4,,0,,30.6,,,,



  • 5855027,1999,14249,1998,"GB","",,1,,4,6,65,10,0,0.4,,0.625,,33,,,,


解答代码:


  • 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 InvertedIndex {  







  •         public static class Map extends Mapper<Object, Text, Text, Text> {  



  •                 private final static Text one = new Text("1");  



  •                 private Text word = new Text();



  •                 public void map(Object key, Text value, Context context) throws IOException, InterruptedException {  



  •                         String line[] = value.toString().split(",");  



  •                         word.set(line[4].substring(1, line[4].length()-1)+":"+line[1]);  



  •                         context.write(word, one);



  •                 }



  •         }  







  •     public static class Combine extends Reducer<Text, Text, Text, Text> {  



  •         private Text info = new Text();  



  •         // 实现reduce函数  



  •         public void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {  



  •             // 统计词频  



  •             int sum = 0;  



  •             for (Text value : values) {  



  •                 sum += Integer.parseInt(value.toString());  



  •             }  



  •             int splitIndex = key.toString().indexOf(":");  



  •             // 重新设置value值由URL和词频组成  



  •             info.set("<"+key.toString().substring(splitIndex + 1) + ":" + sum+">");  



  •             // 重新设置key值为单词  



  •             key.set(key.toString().substring(0, splitIndex));  



  •             context.write(key, info);  



  •         }  



  •     }  







  •     public static class Reduce extends Reducer<Text, Text, Text, Text> {  



  •         private Text result = new Text();  



  •         // 实现reduce函数  



  •         public void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {  



  •             // 生成文档列表  



  •             String fileList = new String();  



  •             for (Text value : values) {



  •                 fileList += value.toString() + ",";



  •             }   



  •             result.set(fileList.substring(0,fileList.length()-1));  



  •             context.write(key, result);  



  •         }  



  •     }  







  •     public static void main(String[] args) throws Exception {  



  •         Configuration conf = new Configuration();  



  •         conf.set("mapred.jar", "ii.jar");  







  •         String[] ioArgs = new String[] { "index_in", "index_out" };  



  •         String[] otherArgs = new GenericOptionsParser(conf, ioArgs).getRemainingArgs();  







  •         if (otherArgs.length != 2) {  



  •             System.err.println("Usage: Inverted Index <in> <out>");  



  •             System.exit(2);  



  •         }  







  •         Job job = new Job(conf, "Inverted Index");  



  •         job.setJarByClass(InvertedIndex.class);  







  •         // 设置Map、Combine和Reduce处理类  



  •         job.setMapperClass(Map.class);  



  •         job.setCombinerClass(Combine.class);  



  •         job.setReducerClass(Reduce.class);  







  •         // 设置Map输出类型  



  •         job.setMapOutputKeyClass(Text.class);  



  •         job.setMapOutputValueClass(Text.class);  







  •         // 设置Reduce输出类型  



  •         job.setOutputKeyClass(Text.class);  



  •         job.setOutputValueClass(Text.class);  







  •         // 设置输入和输出目录  



  •         FileInputFormat.addInputPath(job, new Path(otherArgs[0]));  



  •         FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));  



  •         System.exit(job.waitForCompletion(true) ? 0 : 1);  



  •     }  



  • }


运行结果:

[hadoop@h40 hui]$ hadoop fs -cat /user/hadoop/index_out/part-r-00000
GB      <1999:1>
IL      <1998:1>
US      <1998:4>,<1999:6>




【转载】 https://blog.csdn.net/m0_37739193/article/details/76572512


3 个回复

倒序浏览
奈斯
回复 使用道具 举报
回复 使用道具 举报
奈斯,加油加油
回复 使用道具 举报
您需要登录后才可以回帖 登录 | 加入黑马