`
lsw_1012
  • 浏览: 925 次
  • 性别: Icon_minigender_1
  • 来自: 北京
最近访客 更多访客>>
社区版块
存档分类
最新评论

应用MapReduce(1)

 
阅读更多

应用MapReduce(1)

 

编写一个数据去重的MapReduce应用

 

一、准备数据

文件1

200001-3-1 a
200001-3-2 b
200001-3-3 c
200001-3-4 d
200001-3-5 a
200001-3-6 b
200001-3-7 c
200001-3-3 c

 

文件2

200002-3-1 a
200002-3-2 b
200002-3-3 c
200001-3-4 d
200001-3-5 a
200002-3-6 b
200002-3-7 c
200001-3-3 c

 

二、代码实现

 

import java.io.IOException;

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 Dedup {
    // map将输入中的value复制到输出数据的key上,并直接输出
    public static class Map extends Mapper<Object, Text, Text, Text> {
        private static Text line = new Text();// 每行数据

        // 实现map函数
        public void map(Object key, Text value, Context context) throws IOException,
                InterruptedException {
            line = value;
            context.write(line, new Text(""));
        }

    }

    // reduce将输入中的key复制到输出数据的key上,并直接输出
    public static class Reduce extends Reducer<Text, Text, Text, Text> {
        // 实现reduce函数
        public void reduce(Text key, Iterable<Text> values, Context context) throws IOException,
                InterruptedException {
            context.write(key, new Text(""));
        }

    }


    public static void main(String[] args) throws Exception {
        System.setProperty("hadoop.home.dir", "/zrjapp/hadoop-2.8.1");
        //System.setProperty("hadoop.home.dir", "D:\\hadoop-2.8.1");
        Configuration conf = new Configuration();
        // 这句话很关键
        conf.set("mapred.job.tracker", "localhost:9001");
        //conf.set("mapred.job.tracker", "192.168.1.177:9001");

        String[] ioArgs = new String[] {"/zrjapp/hadoop-2.8.1/file", "/zrjapp/hadoop-2.8.1/output"};
        //String[] ioArgs = new String[] {"D:\\hadoop-2.8.1\\file", "D:\\hadoop-2.8.1\\output"};
        String[] otherArgs = new GenericOptionsParser(conf, ioArgs).getRemainingArgs();
        if (otherArgs.length != 2) {
            System.err.println("Usage: Data Deduplication <in> <out>");
            System.exit(2);
        }

        Job job = new Job(conf, "Data Deduplication");
        job.setJarByClass(Dedup.class);

        // 设置Map、Combine和Reduce处理类
        job.setMapperClass(Map.class);
        job.setCombinerClass(Reduce.class);
        job.setReducerClass(Reduce.class);

        // 设置输出类型
        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);
    }
}

 
如果在window环境开发,以上代码想使用开发工具调试还需要做以下工作

 

1、首先创建maven项目

pom.xml

 

<dependencies>
		<dependency>
			<groupId>junit</groupId>
			<artifactId>junit</artifactId>
			<version>3.8.1</version>
			<scope>test</scope>
		</dependency>

		<dependency>
			<groupId>org.apache.logging.log4j</groupId>
			<artifactId>log4j-api</artifactId>
			<version>2.2</version>
		</dependency>
		<dependency>
			<groupId>org.apache.logging.log4j</groupId>
			<artifactId>log4j-core</artifactId>
			<version>2.2</version>
		</dependency>
		<dependency>
			<groupId>org.apache.logging.log4j</groupId>
			<artifactId>log4j-1.2-api</artifactId>
			<version>2.2</version>
		</dependency>

		<dependency>
			<groupId>org.apache.hadoop</groupId>
			<artifactId>hadoop-hdfs</artifactId>
			<version>2.8.1</version>
		</dependency>
		<dependency>
			<groupId>org.apache.hadoop</groupId>
			<artifactId>hadoop-mapreduce-client-jobclient</artifactId>
			<version>2.8.1</version>
		</dependency>
		<dependency>
			<groupId>org.apache.hadoop</groupId>
			<artifactId>hadoop-common</artifactId>
			<version>2.8.1</version>
		</dependency>
	</dependencies>

	<build>
		<plugins>
			<plugin>
				<groupId>org.apache.maven.plugins</groupId>
				<artifactId>maven-jar-plugin</artifactId>
				<configuration>
					<archive>
						<manifest>
							<mainClass>com.lsw.hadoop.Dedup</mainClass>
							<addClasspath>true</addClasspath>
							<classpathPrefix>lib/</classpathPrefix>
						</manifest>
					</archive>
					<classesDirectory>
					</classesDirectory>
				</configuration>
			</plugin>

			<plugin>
				<artifactId>maven-dependency-plugin</artifactId>
				<executions>
					<execution>
						<id>copy-dependencies</id>
						<phase>package</phase>
						<goals>
							<goal>copy-dependencies</goal>
						</goals>
						<configuration>
							<outputDirectory>${project.build.directory}/lib</outputDirectory>
							<overWriteReleases>false</overWriteReleases>
							<overWriteSnapshots>false</overWriteSnapshots>
							<overWriteIfNewer>true</overWriteIfNewer>
							<!-- <excludeTransitive>true</excludeTransitive> 不包含间接引用的jar包 -->
						</configuration>
					</execution>
				</executions>
			</plugin>
			<plugin>
				<groupId>org.apache.maven.plugins</groupId>
				<artifactId>maven-assembly-plugin</artifactId>
				<configuration>
					<appendAssemblyId>false</appendAssemblyId>
					<descriptors>
						<descriptor>${basedir}/assembly.xml</descriptor>
					</descriptors>
				</configuration>
				<executions>
					<execution>
						<id>make-assembly</id>
						<phase>package</phase>
						<goals>
							<goal>single</goal>
						</goals>
					</execution>
				</executions>
			</plugin>

		</plugins>

		<pluginManagement>
			<plugins>
				<!-- Ignore/Execute plugin execution -->
				<plugin>
					<groupId>org.eclipse.m2e</groupId>
					<artifactId>lifecycle-mapping</artifactId>
					<version>1.0.0</version>
					<configuration>
						<lifecycleMappingMetadata>
							<pluginExecutions>
								<pluginExecution>
									<pluginExecutionFilter>
										<groupId>org.apache.maven.plugins</groupId>
										<artifactId>maven-dependency-plugin</artifactId>
										<versionRange>[1.0.0,)</versionRange>
										<goals>
											<goal>copy-dependencies</goal>
											<goal>unpack</goal>
										</goals>
									</pluginExecutionFilter>
									<action>
										<ignore />
									</action>
								</pluginExecution>
							</pluginExecutions>
						</lifecycleMappingMetadata>
					</configuration>
				</plugin>
			</plugins>
		</pluginManagement>
	</build>

 

2、配置hadoop本地环境

 

只是建立项目编写mapreduce就想本地连接远程hadoop调试是不可能的,需要配置本地hadoop环境

否则在还行main方法时会报出异常:“HADOOP_HOME and hadoop.home.dir are unset”

解决:

(1)把远程的hadoop二进制包在window本地环境解压一份,根据实际情况配置环境变量配置HADOOP_HOME



 
path中添加%HADOOP_HOME%\bin;%HADOOP_HOME%\sbin;



 

 

(2)下载(根据不同版本的hadoop下载相应文件,本例子hadoop2.8.1)并把hadoop.dll和winutils.exe及其附属(如果报错需要hadoop.exp、hadoop.lib、hadoop.pdb、libwinutils.lib、winutils.pdb)放到hadoop/bin中,hadoop.dll放一份到C:\Windows\System32下

 

(3)在本地工具执行main方法,本地会得到计算结果,会生成output目录



 

 查看生产的计算文件

200001-3-1 a    
200001-3-2 b    
200001-3-3 c    
200001-3-4 d    
200001-3-5 a    
200001-3-6 b    
200001-3-7 c    
200002-3-1 a    
200002-3-2 b    
200002-3-3 c    
200002-3-6 b    
200002-3-7 c   

 

 计算结果已经排重

 

(4)也可以打ZIP包放到安装了hadoop的linux执行,要把所有依赖jar包也一起打包



 

 java -jar ***.jar

或者以下面例子方式执行

bin/hadoop jar hadoop-0.0.1-SNAPSHOT.jar com.lcore.hadoop.EventCount /test/input /test/input/out

 

分享到:
评论

相关推荐

    MapReduce的小应用

    【MapReduce的小应用】 MapReduce是一种分布式计算框架,由Google提出,主要用于处理和生成大规模数据集。在这个小应用中,MapReduce被用来解决音乐播放网站的两个问题:生成歌曲点播排行榜和分析用户对音乐风格的...

    MapReduce应用

    ### MapReduce应用与Hadoop框架解析 #### 一、引言 MapReduce是谷歌提出的一种分布式数据处理模型,旨在简化大规模数据集的并行处理。它通过将数据处理任务分解为Map(映射)和Reduce(归约)两个阶段来实现高效的...

    MapReduce综合应用案例 - 招聘数据清洗-结果

    MapReduce综合应用案例 - 招聘数据清洗-结果

    MapReduce应用开发

    基于Google发表的论文设计开发,MapReduce能够处理大于1TB的数据集,并行运算。其主要特点包括易于编程,即开发者只需关注问题本身,而具体的计算过程则由系统自动分配和优化;良好的扩展性,意味着可以通过增加机器...

    mapreduce综合应用案例 - 招聘数据清洗

    mapreduce综合应用案例 — 招聘数据清洗 mapreduce综合应用案例 — 招聘数据清洗 mapreduce综合应用案例 — 招聘数据清洗 mapreduce综合应用案例 — 招聘数据清洗 mapreduce综合应用案例 — 招聘数据清洗 mapreduce...

    mapreduce项目 数据清洗

    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节点(mapper)上进行处理。在这个项目中,族谱数据可能包含每个人的姓名、他们的关系(如爷爷、父母、孩子)以及可能的其他...

    MapReduce综合案例(4个)

    MapReduce是一种分布式计算模型,由Google在2004年提出,主要用于处理和生成大规模数据集。...通过对这些案例的深入理解和实践,可以更好地掌握MapReduce在实际问题中的应用,为大数据分析和处理提供有力工具。

    大数据技术原理及应用课实验5 :MapReduce初级编程实践

    **大数据技术原理及应用——MapReduce初级编程实践** MapReduce是一种分布式计算模型,由Google提出,主要用于处理和生成大规模数据集。在这个实验中,我们将学习如何利用MapReduce编程解决实际问题,包括数据去重...

    实验项目 MapReduce 编程

    实验内容涵盖了从启动全分布模式的Hadoop集群到编写、运行和分析MapReduce应用程序的全过程。 首先,实验启动了Hadoop集群的所有守护进程,包括NameNode(主节点,负责元数据管理)、DataNode(存储数据的节点)、...

    基于MapReduce实现决策树算法

    5. 基于MapReduce的决策树算法的应用:基于MapReduce实现决策树算法可以应用于数据挖掘、机器学习和推荐系统等领域,例如可以用于用户行为分析、推荐系统和风险评估等。 6. 决策树算法在MapReduce中的实现细节:在...

    MapReduce在招聘数据清洗中的综合应用案例

    mapreduce综合应用案例 — 招聘数据清洗

    Hadoop应用系列2--MapReduce原理浅析(上)

    理解MapReduce的工作原理对于开发和优化大数据处理应用至关重要,这也是Hadoop生态系统中的核心技能之一。通过持续学习和实践,开发者可以更好地利用MapReduce解决实际问题,驾驭海量数据的挑战。

    mapreduce mapreduce mapreduce

    在实际应用中,MapReduce常用于搜索引擎索引构建、网页链接分析、日志分析、机器学习等场景。通过MapReduce,开发者可以编写简单的Java程序来解决复杂的数据处理问题,而无需关心底层的分布式计算细节。 总的来说,...

    Chapter7-厦门大学-林子雨-大数据技术原理与应用-第7讲-MapReduce(中国大学MOOC2018年春季学期)1

    大数据技术原理与应用——MapReduce概述与应用 MapReduce是大数据技术中的一个核心组件,它是一种分布式并行编程模型,能够处理大量数据。下面是关于MapReduce的知识点: 1. 概述 MapReduce是一种分布式并行编程...

    MapReduce高阶实现

    - 实际应用中,MapReduce被广泛应用于搜索引擎的索引构建、推荐系统的协同过滤、日志分析等场景。通过学习这些案例,可以更好地理解MapReduce的实际价值和适用场景。 在“MapReduce高阶实现”的课程中,你将有机会...

    mapreduce综合应用案例 - 招聘数据清洗.md

    下面是一个简单的 MapReduce 应用案例,用于招聘数据的清洗: 假设我们有一个包含求职者简历信息的文本文件,其中每行是一个求职者的简历,包括姓名、学历、工作经验等信息。我们希望通过 MapReduce 对这些简历数据...

    MapReduce进阶

    MapReduce是一种高效的大数据处理框架,最初由Google提出并在其内部广泛应用,随后开源社区基于此理念开发了Hadoop等平台,使得MapReduce成为了大数据处理领域的核心算法之一。MapReduce的基本原理是将大规模数据集...

    mapreduce1

    标题“mapreduce1”表明这是一个关于MapReduce主题的资源集合,可能包含了一些基础概念、原理介绍以及实践应用等内容。 描述中的“相关资源 两篇文档和两本pdf电子书”提示我们,这里有四份资料,可能涵盖了...

Global site tag (gtag.js) - Google Analytics