`

hadoop中top-k问题解决

 
阅读更多

1.问题描述:在MapReduce中,想要输出最频繁出现的前k个单词。

                  问题输入:<单词,它出现的频率>

                  想要的输出:出现最多的前100个单词

   例如,输入是:

   hello  3

   word  4

   a   4

   moring  5

  goog  10

  bye  5

 (注意:中间的分割符是'\t')

  想要得到出现频率最多的前3个单词,则期望得到的结果为:

 goog  10

 moring  5

 bye  5

2.解决方案

   可以用一个map和一个reduce解决,map负责按频率降序输出键值对,把所有mapper的结果都输出到一个reduer中,reduce负责输出前3个出现频率最高的单词(这里输出是在reducer的cleanup()函数中输出)

详情 参见http://www.cnblogs.com/hengli/archive/2012/12/04/2801619.html

 

3.程序代码

(1)

package sort;

import java.io.IOException;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;

import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;

import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;
import org.apache.hadoop.io.*;

public class wordSort {

	public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
		Configuration conf = new Configuration();
		String[] otherArgs = new GenericOptionsParser(conf,args).getRemainingArgs();
		if(otherArgs.length != 2)
		{
			System.err.println("Usage: wordsort <in> <out>");
			System.exit(2);
		}
		Job job2 = new Job(conf,"word sort");    
		
	
		job2.setJarByClass(wordSort.class);
		job2.setMapperClass(SortMapper.class);
		job2.setReducerClass(SortReducer.class);
		
		job2.setMapOutputKeyClass(DesIntWritable.class);
		job2.setMapOutputValueClass(Text.class);
		//job2.setOutputKeyClass(Text.class);
		//job2.setOutputValueClass(DesIntWritable.class);
		job2.setNumReduceTasks(1);   //set the number of reducer = 1
		job2.setOutputKeyClass(NullWritable.class);
		job2.setOutputValueClass(Text.class);
		FileInputFormat.addInputPath(job2, new Path(otherArgs[0]));
		FileOutputFormat.setOutputPath(job2, new Path(otherArgs[1]));
		System.out.println("job2 start.....");
		job2.waitForCompletion(true);
		System.out.println("job2 done.");
		
	}

}

 (2)SortMapper类

   

package sort;

import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.Writable;
import org.apache.hadoop.io.WritableComparable;
import org.apache.hadoop.mapred.OutputCollector;
import org.apache.hadoop.mapred.Reporter;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Mapper.Context;

/**
 * 按键值降序输出
 * @author hx
 *
 */
public class SortMapper extends Mapper<LongWritable,Text,DesIntWritable,Text> {

	private DesIntWritable result = new DesIntWritable();
	private Text word = new Text();
	
	public void map(LongWritable key,Text value,Context context) throws IOException, InterruptedException
	{
		
		String[] temp = value.toString().split("\t");

		if(temp != null && temp.length == 2)
		{
			result.set(Integer.parseInt(temp[1]));
			word.set(temp[0]);
			context.write(result, word);
		}
	}

}

 (3)SortReducer类

package sort;

import java.io.IOException;
import java.util.ArrayList;
import java.util.Iterator;
import java.util.LinkedList;
import java.util.List;
import java.util.TreeMap;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.WritableComparable;
import org.apache.hadoop.mapred.OutputCollector;
import org.apache.hadoop.mapred.Reporter;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.Reducer.Context;

/**
 *  输出排在前3个到单词及其频数
 * @author hx
 *
 */
public class SortReducer extends Reducer<DesIntWritable, Text, NullWritable, Text> {
	
	public static final int k = 3;
	public List<Text> words = new ArrayList<Text>();
	
	public void reduce(DesIntWritable key,Iterable<Text> values,Context context) throws IOException, InterruptedException
	{
		for(Text val:values)
		{
			Text result = new Text();
			result.set(key + "\t" + val.toString());
			if(words.size() <= k-1)
				words.add(result);
		}
	}
	
	@Override
	protected void cleanup(Context context) throws IOException, InterruptedException
	{
		for(Text text :words)
		{
			context.write(NullWritable.get(), text);
		}
	}
	
}

 (4)DesIntWritable类

package sort;

import java.io.*;
import org.apache.hadoop.io.WritableComparable;
import org.apache.hadoop.io.WritableComparator;

/** A WritableComparable for ints. */
public class DesIntWritable implements WritableComparable {
  private int value;

  public DesIntWritable() {}

  public DesIntWritable(int value) { set(value); }

  /** Set the value of this DesIntWritable. */
  public void set(int value) { this.value = value; }

  /** Return the value of this DesIntWritable. */
  public int get() { return value; }

  public void readFields(DataInput in) throws IOException {
    value = in.readInt();
  }

  public void write(DataOutput out) throws IOException {
    out.writeInt(value);
  }

  /** Returns true iff <code>o</code> is a DesIntWritable with the same value. */
  public boolean equals(Object o) {
    if (!(o instanceof DesIntWritable))
      return false;
    DesIntWritable other = (DesIntWritable)o;
    return this.value == other.value;
  }

  public int hashCode() {
    return value;
  }

  /** Compares two DesIntWritables. */
  public int compareTo(Object o) {
    int thisValue = this.value;
    int thatValue = ((DesIntWritable)o).value;
    return (thisValue<thatValue ? -1 : (thisValue==thatValue ? 0 : 1));
  }

  public String toString() {
    return Integer.toString(value);
  }

  /** A Comparator optimized for DesIntWritable. */ 
  public static class Comparator extends WritableComparator {
    public Comparator() {
      super(DesIntWritable.class);
    }

    public int compare(byte[] b1, int s1, int l1,
                       byte[] b2, int s2, int l2) {
      int thisValue = readInt(b1, s1);
      int thatValue = readInt(b2, s2);
      return (thisValue>thatValue ? -1 : (thisValue==thatValue ? 0 : 1));
    }
  }

  static {                                        // register this comparator
    WritableComparator.define(DesIntWritable.class, new Comparator());
  }
}

 

参考:

[1] http://www.greenplum.com/blog/topics/hadoop/how-hadoop-mapreduce-can-transform-how-you-build-top-ten-lists

[2] http://www.cnblogs.com/hengli/archive/2012/12/04/2801619.html

0
0
分享到:
评论

相关推荐

    行业分类-设备装置-一种实时移动空间关键字近似Top-k查询方法.zip

    总的来说,这种实时移动空间关键字近似Top-k查询方法是现代大数据处理技术的重要组成部分,它解决了海量动态数据环境下如何高效、准确地获取关键信息的问题。通过对这种方法的理解和应用,我们可以更好地管理和利用...

    MapReduce中高效的Top-k天际线计算

    MapReduce是一种编程模型,用于处理和生成大数据集,最初由Google提出,后来在Hadoop等开源框架中得到广泛应用。在大数据处理中,MapReduce允许开发者通过Map和Reduce两个操作来处理数据,其中Map阶段负责将输入数据...

    基于项目k临近的协同过滤的Hadoop实现,数据集采用MovieLens.zip

    总结来说,基于项目K临近的协同过滤在Hadoop上的实现,是对大数据时代推荐系统的一种高效解决方案。它结合了人工智能的理论与Hadoop的分布式计算能力,实现了大规模数据的快速处理,为实际应用提供了强大的支持。

    大数据面试题

    #### 十四、使用MapReduce解决Top-K问题示例 - **问题**: 现在有10个文件夹,每个文件夹都有1000000个url.现在让你找出top1000000url。 - **解决方案**: 可以采用MapReduce框架中的Map和Reduce函数来解决此问题。 -...

    《数据算法Hadoop Spark大数据处理技巧》PDF 带目录!!

    《数据算法:Hadoop/Spark大数据处理技巧》介绍了很多基本设计模式、优化技术和数据挖掘及机器学习解决方案,以解决生物信息学、基因组学、统计和社交网络分析等领域的很多问题。这还概要介绍了MapReduce、Hadoop和...

    面试经验分享之机器学习、大数据问题(2).pdf

    - 如何在100亿数字中找出前100大的问题,可以使用分布式排序算法(如MapReduce的Top-K算法)。 9. **面试准备**: - 需要深入理解基础算法,并能对比不同算法的适用场景和优缺点。 - 掌握至少一种主流的大数据...

    3_Learning Notes for Big Data.docx

    - 最终合并:从各个机器的Top K中选出最终的Top K。 - **内存操作**: - 内存操作通常先通过缓存,再经过硬盘存储。缓存可以显著提高数据处理速度。 #### 九、消息队列对比分析 - **RabbitMQ与Kafka对比**: - **...

    一亿取100数字Top100

    综上所述,"一亿取100数字Top100"的问题涉及到大数据处理、高效算法和编程技巧等多个方面,理解和掌握这些知识点对于解决类似问题至关重要。通过合理地运用上述方法,可以在有限的时间和资源内完成任务。

    海量数据查找数据问题

    本篇文章将详细探讨如何解决"海量数据查找数据问题",并着重讨论如何在海量数据中寻找中位数以及查找特定的数。 首先,我们来关注如何在海量数据中找到中位数。中位数是一组数据的代表值,它能够反映出数据的整体...

    十道海量数据处理面试题与十个方法大总结

    - **解决方案**: 首先将所有符合条件的IP地址提取出来,并存储到一个大文件中。由于IP地址的最大数量为\(2^{32}\),可以通过哈希表将其全部存储在内存中进行统计。具体步骤如下: - 将所有IP地址写入一个文件。 - ...

    大数据工作面试练习题 BAT大数据面试题 Hadoop、kafka、HDFS、Spark、MapReduce 共19页.pdf

    18. **TOP K算法处理重复query**:可以使用MapReduce的Reduce阶段计算每个query的频率,然后在所有结果中找出频率最高的K个query。如果数据量大,可能需要多轮MapReduce作业或使用更高效的算法。 以上是针对2018年...

    云计算在舰船远程实时监控系统中的应用.pdf

    在算法中还采用了Top-k查询策略,该策略涉及对象的局部上界值计算,以及候选集合的生成和筛选,进一步优化了查询结果。 在实现上,文中提到了一个具体的硬件配置环境,例如使用了IBM的Hadoop集群环境,配置为5.3.20...

    春招资料,包括大数据开发和力扣

    9. **堆与队列**:优先队列(堆)在解决最大/最小元素问题时很有用,如Top K问题。 10. **位运算**:位运算在优化代码和解决特定问题时非常有用,例如奇偶校验、求两个整数的异或值等。 综上所述,春招资料中的...

    大厂面试系列二.pdf

    从300万字符串中找到最热门的10条,可以使用数据挖掘中的Top-K问题的解决方案,如基于最小堆的Top-K算法。 在字典中找出兄弟单词,即可以通过遍历字典中的每个单词,对每个单词进行重新排列,判断排列后的单词是否...

    面试题目-大数据量海量数据处理.pdf

    1. **URL共现问题**:这是一个典型的集合交集问题,可以通过布隆过滤器(Bloom Filter)或MapReduce模型来解决。布隆过滤器可以在有限的内存空间内判断元素是否存在,但存在误判可能。MapReduce则可以分布式地处理大...

    Hive用户指南 Hive user guide 中文版

    - 提供了一些常见问题解答,帮助用户解决使用过程中遇到的问题。 以上是Hive用户指南中文版的主要内容概述,通过对这些知识点的学习和理解,可以帮助用户更好地使用Hive进行大数据处理和分析。

    Hive用户指南(Hive_user_guide)_中文版

    - **Topk**:返回前k个结果 ```sql SELECT product, SUM(amount) as total_sales FROM sales GROUP BY product ORDER BY total_sales DESC LIMIT 5; ``` - **REGEXColumnSpecification**:使用正则表达式...

    系统设计资料

    TopK频繁项是指找到数据流中最频繁出现的前K个元素。 **实现算法** - **Space-Saving算法**:使用有限的内存来追踪频繁项。 - **Count-Min Sketch**:可以用来近似估计频率较高的元素。 #### 十八、范围查询 **...

Global site tag (gtag.js) - Google Analytics