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
相关推荐
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...
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。
#### 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》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...
- 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...
- 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**: - **...
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。
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...
- **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。 - ...
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...
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...
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...
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...
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...
- 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。
- **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...
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 **...