`
GQM
  • 浏览: 24937 次
  • 性别: Icon_minigender_1
  • 来自: 上海
社区版块
存档分类
最新评论

[实验]hadoop例子 trackinfo数据清洗的改写

 
阅读更多
之前的“trackinfo数据清洗”例子中为使用combiner,这个列子通过改写mapper和reducer以支持combiner,同时使用1.75因子计算的reducer task数量。http://gqm.iteye.com/blog/1935541
Mapper
public class TrackInfoCleansingMapper extends
		Mapper<Object, Text, Text, TrackInfoArrayWritable> {

	private Text user = new Text();
	private TrackInfo track = new TrackInfo();
	private TrackInfoArrayWritable array = new TrackInfoArrayWritable();

	static final int USER_MIN_LEN = 6;

	@Override
	protected void map(Object key, Text value, Context context)
			throws IOException, InterruptedException {
		StringTokenizer itr = new StringTokenizer(value.toString(), ",");
		int index = 0;
		while (itr.hasMoreTokens()) {
			if (index == 0) {
				track.getLocation().getMainLoc().set(itr.nextToken());
			} else if (index == 1) {
				track.getLocation().getSubLoc().set(itr.nextToken());
			} else if (index == 4) {
				user.set(itr.nextToken());
				if (user.getLength() < USER_MIN_LEN) {
					// illegal user, skip line
					break;
				}
			} else if (index == 6) {
				track.getTrackTime().set(itr.nextToken());
				array.set(new TrackInfo[] { track });
				context.write(user, array);
				// the map intermediate data is OK, skip other info
				break;
			} else {
				itr.nextToken();
			}
			index++;
		}
	}
}

Reducer
public class TrackInfoCleansingReducer extends
		Reducer<Text, TrackInfoArrayWritable, Text, TrackInfoArrayWritable> {

	private TrackInfoArrayWritable tracks = new TrackInfoArrayWritable();
	private List<TrackInfo> rentList = new ArrayList<>();

	@Override
	protected void reduce(Text key, Iterable<TrackInfoArrayWritable> values,
			Context context) throws IOException, InterruptedException {
		int index = 0;

		List<TrackInfo> list = new LinkedList<>();
		TrackInfo rent = null;
		TrackInfo info = null;
		for (TrackInfoArrayWritable array : values) {
			for (Writable item : array.get()) {
				info = (TrackInfo) item;
				// if rentList has item, then use it,
				// otherwise create a new item to use and add it to the
				// rentList.
				if (index < rentList.size()) {
					rent = rentList.get(index);
				} else {
					// new instance
					rent = new TrackInfo();
					rentList.add(rent);
				}
				index++;
				// copy info to rent
				rent.getTrackTime().set(info.getTrackTime().toString());
				rent.getLocation().getMainLoc()
						.set(info.getLocation().getMainLoc().toString());
				rent.getLocation().getSubLoc()
						.set(info.getLocation().getSubLoc().toString());
				list.add(rent);
			}
		}
		Collections.sort(list, new Comparator<TrackInfo>() {

			@Override
			public int compare(TrackInfo o1, TrackInfo o2) {
				return o1.compareTo(o2);
			}

		});
		TrackInfo[] temp = new TrackInfo[list.size()];
		list.toArray(temp);
		tracks.set(temp);
		context.write(key, tracks);
	}

}

Driver
public class TrackInfoCleansing extends Configured implements Tool {

	public static void main(String[] args) throws Exception {
		int exitCode = ToolRunner.run(new TrackInfoCleansing(), args);
		System.exit(exitCode);
	}

	@Override
	public int run(String[] args) throws Exception {
		if(args.length != 2){
			System.out.printf("Usage %s [generic options] <in> <out>\n", getClass().getName());
			ToolRunner.printGenericCommandUsage(System.out);
			return -1;
		}
		Configuration conf = new Configuration();
		conf.set("fs.default.name", "hdfs://node04vm01:9000");
		
		Job job = new Job(conf, "track info cleansing");
		job.setNumReduceTasks(7);
		job.setJarByClass(TrackInfoCleansing.class);
		job.setMapperClass(TrackInfoCleansingMapper.class);
		job.setCombinerClass(TrackInfoCleansingReducer.class);
		job.setReducerClass(TrackInfoCleansingReducer.class);
		
		job.setMapOutputKeyClass(Text.class);
		job.setMapOutputValueClass(TrackInfoArrayWritable.class);
		job.setOutputKeyClass(Text.class);
		job.setOutputValueClass(TrackInfoArrayWritable.class);
		job.setOutputFormatClass(SequenceFileOutputFormat.class);
		
		FileInputFormat.setInputPaths(job, new Path(args[0]));
	    FileOutputFormat.setOutputPath(job, new Path(args[1]));

		return job.waitForCompletion(true) ? 0 : 1;
	}

}


hadoop job -status job_201308281640_0010

Job: job_201308281640_0010
file: hdfs://node04vm01:9000/tmp/hadoop-hue/mapred/staging/hue/.staging/job_201308281640_0010/job.xml
tracking URL: http://node04vm01:50030/jobdetails.jsp?jobid=job_201308281640_0010
map() completion: 1.0
reduce() completion: 1.0

Counters: 30
Job Counters
Launched reduce tasks=9
SLOTS_MILLIS_MAPS=4936623
Total time spent by all reduces waiting after reserving slots (ms)=0
Total time spent by all maps waiting after reserving slots (ms)=0
Rack-local map tasks=2
Launched map tasks=274
Data-local map tasks=272
SLOTS_MILLIS_REDUCES=4300151
File Output Format Counters
Bytes Written=5875653493
FileSystemCounters
FILE_BYTES_READ=17022188257
HDFS_BYTES_READ=17510078986
FILE_BYTES_WRITTEN=25331743227
HDFS_BYTES_WRITTEN=5875653493
File Input Format Counters
Bytes Read=17510042672
Map-Reduce Framework
Map output materialized bytes=8306340148
Map input records=254655920
Reduce shuffle bytes=8306340148
Spilled Records=357829155
Map output bytes=9004010008
Total committed heap usage (bytes)=56888983552
CPU time spent (ms)=4844340
Combine input records=499067793
SPLIT_RAW_BYTES=36314
Reduce input records=41986484
Reduce input groups=3651914
Combine output records=337948330
Physical memory (bytes) snapshot=71151529984
Reduce output records=3651914
Virtual memory (bytes) snapshot=210540683264
Map output records=203105947

总结
  • 使用Combiner对HDFS度读写是一样的,说明并不影响结果。
  • 使用Combiner可以减少本地FS的IO,即减少mapper阶段的中间结果的FS的IO。
  • 使用Combiner在减少中间结果的IO的过程也减少了Reducer的shuffle阶段network io,即copy的数量,也减少了reducer input records的量。
  • 使用Combiner增加了mapper阶段的运算以及内存的消耗。
分享到:
评论

相关推荐

    基于Hadoop豆瓣电影数据分析实验报告

    【基于Hadoop豆瓣电影数据分析实验报告】 在大数据时代,对海量信息进行高效处理和分析是企业决策的关键。Hadoop作为一款强大的分布式计算框架,自2006年诞生以来,已经在多个领域展现了其卓越的数据处理能力。本...

    Hadoop分布式数据清洗方案一种基于孤立点挖掘的Hadoop数据清洗算法的研究.pptx

    基于孤立点挖掘的Hadoop数据清洗算法研究 基于孤立点挖掘的Hadoop数据清洗算法是指使用Hadoop分布式计算平台,结合孤立点挖掘技术,实现大规模数据的清洗和质量提高。该算法可以对不同类型的脏数据进行有效清洗,...

    基于Hadoop的全国酒店数据清洗项目源码+报告.zip

    基于Hadoop的全国酒店数据清洗项目源码+报告.zip基于Hadoop的全国酒店数据清洗项目源码+报告.zip基于Hadoop的全国酒店数据清洗项目源码+报告.zip基于Hadoop的全国酒店数据清洗项目源码+报告.zip基于Hadoop的全国酒店...

    Hadoop豆瓣电影数据分析(Hadoop)操作源码

    Hadoop豆瓣电影数据分析(Hadoop)操作源码

    eclipse hadoop 例子源代码

    【标题】:“Eclipse Hadoop 例子源代码” 在大数据处理领域,Hadoop是一个不可或缺的开源框架,它提供了分布式存储和计算的能力。Eclipse作为Java开发的主流集成开发环境(IDE),也是编写和调试Hadoop程序的重要...

    2022毕业设计,基于 Hadoop 的游戏数据分析系统源码.zip

    【标题】:“2022毕业设计,基于 Hadoop 的游戏数据分析系统源码” 这个毕业设计项目主要聚焦于使用Hadoop框架开发一个游戏数据分析系统。Hadoop是Apache软件基金会的一个开源分布式计算平台,专为处理和存储大规模...

    基于Hadoop的电影影评数据分析

    【基于Hadoop的电影影评数据分析】是一项大数据课程的大作业,旨在利用Hadoop的分布式处理能力来分析电影影评数据。Hadoop是一个由Apache软件基金会开发的开源框架,专为处理和存储大规模数据而设计。它由四个核心...

    hadoop实训课数据清洗py脚本(MapReduce python代码,可执行文件脚本,使用方法)

    可以作为大数据预处理的MapReduce代码的参考!!! -执行脚本文件: cd /home/hadoop/logfiles/ source format_run_2013_o5_30.sh source format_run_2013_o5_31.sh 执行我们的脚本文件,可以用source或者./

    mapreduce项目 数据清洗

    在这个"MapReduce项目 数据清洗"中,我们将探讨如何使用MapReduce对遗传关系族谱数据进行处理和清洗,以便进行后续分析。 1. **Map阶段**: 在Map阶段,原始数据被分割成多个小块(split),然后分配到不同的工作...

    Hadoop构建数据仓库实践1_hadoop_

    Hadoop可以通过Pig、Hive或Spark SQL等工具进行数据转换和清洗。 3. 数据存储:Hadoop支持多种数据存储格式,如HBase(NoSQL数据库)、Hive(数据仓库工具)和Oozie(工作流调度系统)。根据业务需求,可以选择合适...

    Hadoop分析气象数据完整版源代码(含Hadoop的MapReduce代码和SSM框架)

    Hadoop分析气象数据完整版源代码(含Hadoop的MapReduce代码和SSM框架) 《分布式》布置了一道小作业,这是作业的所有代码,里面包含了Hadoop的MapReduce代码、和SSM框架显示数据的代码

    Hadoop分析气象数据完整版代码

    在IT行业中,大数据处理是一项至关重要的任务,而Hadoop作为开源的大数据处理框架,因其高效、可扩展的特性,被广泛应用于气象数据分析等场景。在这个项目中,我们重点关注的是一套完整的Hadoop分析气象数据的代码,...

    Hadoop之外卖订单数据分析系统

    在大数据处理领域,Hadoop是一个不可或缺的开源框架,它为海量数据的存储和处理提供了高效、可靠的解决方案。本文将深入探讨“Hadoop之外卖订单数据分析系统”,并介绍如何利用Hadoop进行大规模数据处理,以及如何将...

    基于Hadoop的美团外卖数据分析.zip

    2. **数据清洗**:去除重复、错误或不完整的数据,确保后续分析的准确性。 3. **数据预处理**:通过MapReduce进行数据转换和聚合,例如计算每个用户的平均消费金额,或者统计最受欢迎的菜品。 4. **数据分析**:...

    基于Hadoop的数据仓库Hive学习指南.doc

    【标题】:“基于Hadoop的数据仓库Hive学习指南” 【描述】:该文档是一份针对Hive的学习资料,旨在引导读者理解如何在Hadoop平台上利用Hive进行数据仓库操作和编程实践。它涵盖了Hive的基本概念、安装步骤、实验...

    使用hadoop进行天气数据分析.zip

    使用hadoop进行数据分析天气数据分析.zip使用hadoop进行数据分析天气数据分析.zip使用hadoop进行数据分析天气数据分析.zip使用hadoop进行数据分析天气数据分析.zip使用hadoop进行数据分析天气数据分析.zip使用hadoop...

    毕业设计,基于 Hadoop 的游戏数据分析系统

    毕业设计,基于 Hadoop 的游戏数据分析系统毕业设计,基于 Hadoop 的游戏数据分析系统毕业设计,基于 Hadoop 的游戏数据分析系统毕业设计,基于 Hadoop 的游戏数据分析系统毕业设计,基于 Hadoop 的游戏数据分析系统...

Global site tag (gtag.js) - Google Analytics