大数据 MapReduce编程实践（1）编程实现文件合并和去重操作

一、实验目的

1.通过实验掌握基本的MapReduce编程方法；
2.掌握用MapReduce解决一些常见的数据处理问题，包括数据去重、数据排序和数据挖掘等。

二、实验平台

已经配置完成的Hadoop伪分布式环境。

三. 实验内容和要求

（1）编程实现文件合并和去重操作

对于两个输入文件，即文件A和文件B，请编写MapReduce程序，对两个文件进行合并，并剔除其中重复的内容，得到一个新的输出文件C。下面是输入文件和输出文件的一个样例供参考。
输入文件A的样例如下：
20150101 x
20150102 y
20150103 x
20150104 y
20150105 z
20150106 x

输入文件B的样例如下：
20150101 y
20150102 y
20150103 x
20150104 z
20150105 y

根据输入文件A和B合并得到的输出文件C的样例如下：
20150101 x
20150101 y
20150102 y
20150103 x
20150104 y
20150104 z
20150105 y
20150105 z
20150106 x

需要首先删除HDFS中与当前Linux用户hadoop对应的input和output目录（即HDFS中的“/user/hadoop/input”和“/user/hadoop/output”目录），这样确保后面程序运行不会出现问题

cd /usr/local/hadoop
./bin/hdfs dfs -rm-r input
./bin/hdfs dfs -rm-r output

然后，再在HDFS中新建与当前Linux用户hadoop对应的input目录，即“/user/hadoop/input”目录

cd /usr/local/hadoop
./bin/hdfs dfs -mkdir input

创建A.txt B.txt,输入上述内容

vi A.txt
vi B.txt

将A,B上传到HDFS中

cd /usr/local/hadoop
./bin/hdfs dfs -put ./A.txt input
./bin/hdfs dfs -put ./B.txt input

运行代码：

importjava.io.IOException;importorg.apache.hadoop.conf.Configuration;importorg.apache.hadoop.fs.Path;importorg.apache.hadoop.io.IntWritable;importorg.apache.hadoop.io.Text;importorg.apache.hadoop.mapreduce.Job;importorg.apache.hadoop.mapreduce.Mapper;importorg.apache.hadoop.mapreduce.Reducer;importorg.apache.hadoop.mapreduce.lib.input.FileInputFormat;importorg.apache.hadoop.mapreduce.lib.output.FileOutputFormat;importorg.apache.hadoop.util.GenericOptionsParser;publicclassMerge{/**
     * @param args
     * 对A,B两个文件进行合并，并剔除其中重复的内容，得到一个新的输出文件C
     *///重载map函数，直接将输入中的value复制到输出数据的key上publicstaticclassMapextendsMapper<Object,Text,Text,Text>{privatestaticText text =newText();publicvoidmap(Object key,Text value,Context context)throwsIOException,InterruptedException{
            text = value;
            context.write(text,newText(""));}}//重载reduce函数，直接将输入中的key复制到输出数据的key上publicstaticclassReduceextendsReducer<Text,Text,Text,Text>{publicvoidreduce(Text key,Iterable<Text> values,Context context )throwsIOException,InterruptedException{
            context.write(key,newText(""));}}publicstaticvoidmain(String[] args)throwsException{// TODO Auto-generated method stubConfiguration conf =newConfiguration();
        conf.set("fs.default.name","hdfs://localhost:9000");String[] otherArgs =newString[]{"input","output"};/* 直接设置输入参数 */if(otherArgs.length !=2){System.err.println("Usage: wordcount <in> <out>");System.exit(2);}Job job =Job.getInstance(conf,"Merge and duplicate removal");
        job.setJarByClass(Merge.class);
        job.setMapperClass(Map.class);
        job.setCombinerClass(Reduce.class);
        job.setReducerClass(Reduce.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(Text.class);FileInputFormat.addInputPath(job,newPath(otherArgs[0]));FileOutputFormat.setOutputPath(job,newPath(otherArgs[1]));System.exit(job.waitForCompletion(true)?0:1);}}

编译运行：
在这里插入图片描述
查看实验结果：

cd /usr/local/hadoop
./bin/hdfs dfs -cat output/*

在这里插入图片描述

（2）编写程序实现对输入文件的排序

现在有多个输入文件，每个文件中的每行内容均为一个整数。要求读取所有文件中的整数，进行升序排序后，输出到一个新的文件中，输出的数据格式为每行两个整数，第一个数字为第二个整数的排序位次，第二个整数为原待排列的整数。下面是输入文件和输出文件的一个样例供参考。
输入文件1的样例如下：
33
37
12
40

输入文件2的样例如下：
4
16
39
5

输入文件3的样例如下：
1
45
25

根据输入文件1、2和3得到的输出文件如下：
1 1
2 4
3 5
4 12
5 16
6 25
7 33
8 37
9 39
10 40
11 45
需要首先删除HDFS中与当前Linux用户hadoop对应的input和output目录（即HDFS中的“/user/hadoop/input”和“/user/hadoop/output”目录），这样确保后面程序运行不会出现问题

cd /usr/local/hadoop
./bin/hdfs dfs -rm-r input
./bin/hdfs dfs -rm-r output

然后，再在HDFS中新建与当前Linux用户hadoop对应的input目录，即“/user/hadoop/input”目录

cd /usr/local/hadoop
./bin/hdfs dfs -mkdir input

创建test1.txt test2.txt test3,输入上述内容

vi test1.txt
vi test2.txt
vi test3.txt

将test1,test2,test3上传到HDFS中

cd /usr/local/hadoop
./bin/hdfs dfs -put ./test1.txt input
./bin/hdfs dfs -put ./test2.txt input
./bin/hdfs dfs -put ./test3.txt input

运行代码：

importjava.io.IOException;importorg.apache.hadoop.conf.Configuration;importorg.apache.hadoop.fs.Path;importorg.apache.hadoop.io.IntWritable;importorg.apache.hadoop.io.Text;importorg.apache.hadoop.mapreduce.Job;importorg.apache.hadoop.mapreduce.Mapper;importorg.apache.hadoop.mapreduce.Partitioner;importorg.apache.hadoop.mapreduce.Reducer;importorg.apache.hadoop.mapreduce.lib.input.FileInputFormat;importorg.apache.hadoop.mapreduce.lib.output.FileOutputFormat;importorg.apache.hadoop.util.GenericOptionsParser;publicclassMerge{/**
     * @param args
     * 输入多个文件，每个文件中的每行内容均为一个整数
     * 输出到一个新的文件中，输出的数据格式为每行两个整数，第一个数字为第二个整数的排序位次，第二个整数为原待排列的整数
     *///map函数读取输入中的value，将其转化成IntWritable类型，最后作为输出keypublicstaticclassMapextendsMapper<Object,Text,IntWritable,IntWritable>{privatestaticIntWritable data =newIntWritable();publicvoidmap(Object key,Text value,Context context)throwsIOException,InterruptedException{String text = value.toString();
            data.set(Integer.parseInt(text));
            context.write(data,newIntWritable(1));}}//reduce函数将map输入的key复制到输出的value上，然后根据输入的value-list中元素的个数决定key的输出次数,定义一个全局变量line_num来代表key的位次publicstaticclassReduceextendsReducer<IntWritable,IntWritable,IntWritable,IntWritable>{privatestaticIntWritable line_num =newIntWritable(1);publicvoidreduce(IntWritable key,Iterable<IntWritable> values,Context context)throwsIOException,InterruptedException{for(IntWritable val : values){
                context.write(line_num, key);
                line_num =newIntWritable(line_num.get()+1);}}}//自定义Partition函数，此函数根据输入数据的最大值和MapReduce框架中Partition的数量获取将输入数据按照大小分块的边界，然后根据输入数值和边界的关系返回对应的Partiton IDpublicstaticclassPartitionextendsPartitioner<IntWritable,IntWritable>{publicintgetPartition(IntWritable key,IntWritable value,int num_Partition){intMaxnumber=65223;//int型的最大数值int bound =Maxnumber/num_Partition+1;int keynumber = key.get();for(int i =0; i<num_Partition; i++){if(keynumber<bound *(i+1)&& keynumber>=bound * i){return i;}}return-1;}}publicstaticvoidmain(String[] args)throwsException{// TODO Auto-generated method stubConfiguration conf =newConfiguration();
        conf.set("fs.default.name","hdfs://localhost:9000");String[] otherArgs =newString[]{"input","output"};/* 直接设置输入参数 */if(otherArgs.length !=2){System.err.println("Usage: wordcount <in> <out>");System.exit(2);}Job job =Job.getInstance(conf,"Merge and sort");
        job.setJarByClass(Merge.class);
        job.setMapperClass(Map.class);
        job.setReducerClass(Reduce.class);
        job.setPartitionerClass(Partition.class);
        job.setOutputKeyClass(IntWritable.class);
        job.setOutputValueClass(IntWritable.class);FileInputFormat.addInputPath(job,newPath(otherArgs[0]));FileOutputFormat.setOutputPath(job,newPath(otherArgs[1]));System.exit(job.waitForCompletion(true)?0:1);}}

编译运行：
在这里插入图片描述
查看实验结果：

cd /usr/local/hadoop
./bin/hdfs dfs -cat output/*

在这里插入图片描述

（3）对给定的表格进行信息挖掘

下面给出一个child-parent的表格，要求挖掘其中的父子辈关系，给出祖孙辈关系的表格。
输入文件内容如下：
child parent
Steven Lucy
Steven Jack
Jone Lucy
Jone Jack
Lucy Mary
Lucy Frank
Jack Alice
Jack Jesse
David Alice
David Jesse
Philip David
Philip Alma
Mark David
Mark Alma

输出文件内容如下：
grandchild grandparent
Mark Jesse
Mark Alice
Philip Jesse
Philip Alice
Jone Jesse
Jone Alice
Steven Jesse
Steven Alice
Steven Frank
Steven Mary
Jone Frank
Jone Mary
需要首先删除HDFS中与当前Linux用户hadoop对应的input和output目录（即HDFS中的“/user/hadoop/input”和“/user/hadoop/output”目录），这样确保后面程序运行不会出现问题

cd /usr/local/hadoop
./bin/hdfs dfs -rm-r input
./bin/hdfs dfs -rm-r output

然后，再在HDFS中新建与当前Linux用户hadoop对应的input目录，即“/user/hadoop/input”目录

cd /usr/local/hadoop
./bin/hdfs dfs -mkdir input

创建test1.txt,输入上述内容

vi test1.txt

将test1上传到HDFS中

cd /usr/local/hadoop
./bin/hdfs dfs -put ./test1.txt input

运行代码：

importjava.io.IOException;importjava.util.*;importorg.apache.hadoop.conf.Configuration;importorg.apache.hadoop.fs.Path;importorg.apache.hadoop.io.IntWritable;importorg.apache.hadoop.io.Text;importorg.apache.hadoop.mapreduce.Job;importorg.apache.hadoop.mapreduce.Mapper;importorg.apache.hadoop.mapreduce.Reducer;importorg.apache.hadoop.mapreduce.lib.input.FileInputFormat;importorg.apache.hadoop.mapreduce.lib.output.FileOutputFormat;importorg.apache.hadoop.util.GenericOptionsParser;publicclassMerge{publicstaticint time =0;/**
     * @param args
     * 输入一个child-parent的表格
     * 输出一个体现grandchild-grandparent关系的表格
     *///Map将输入文件按照空格分割成child和parent，然后正序输出一次作为右表，反序输出一次作为左表，需要注意的是在输出的value中必须加上左右表区别标志publicstaticclassMapextendsMapper<Object,Text,Text,Text>{publicvoidmap(Object key,Text value,Context context)throwsIOException,InterruptedException{String child_name =newString();String parent_name =newString();String relation_type =newString();String line = value.toString();int i =0;while(line.charAt(i)!=' '){
                i++;}String[] values ={line.substring(0,i),line.substring(i+1)};if(values[0].compareTo("child")!=0){
                child_name = values[0];
                parent_name = values[1];
                relation_type ="1";//左右表区分标志
                context.write(newText(values[1]),newText(relation_type+"+"+child_name+"+"+parent_name));//左表
                relation_type ="2";
                context.write(newText(values[0]),newText(relation_type+"+"+child_name+"+"+parent_name));//右表}}}publicstaticclassReduceextendsReducer<Text,Text,Text,Text>{publicvoidreduce(Text key,Iterable<Text> values,Context context)throwsIOException,InterruptedException{if(time ==0){//输出表头
                context.write(newText("grand_child"),newText("grand_parent"));
                time++;}int grand_child_num =0;String grand_child[]=newString[10];int grand_parent_num =0;String grand_parent[]=newString[10];Iterator ite = values.iterator();while(ite.hasNext()){Stringrecord= ite.next().toString();int len =record.length();int i =2;if(len ==0)continue;char relation_type =record.charAt(0);String child_name =newString();String parent_name =newString();//获取value-list中value的childwhile(record.charAt(i)!='+'){
                    child_name = child_name +record.charAt(i);
                    i++;}
                i=i+1;//获取value-list中value的parentwhile(i<len){
                    parent_name = parent_name+record.charAt(i);
                    i++;}//左表，取出child放入grand_childif(relation_type =='1'){
                    grand_child[grand_child_num]= child_name;
                    grand_child_num++;}else{//右表，取出parent放入grand_parent
                    grand_parent[grand_parent_num]= parent_name;
                    grand_parent_num++;}}if(grand_parent_num !=0&& grand_child_num !=0){for(int m =0;m<grand_child_num;m++){for(int n=0;n<grand_parent_num;n++){
                        context.write(newText(grand_child[m]),newText(grand_parent[n]));//输出结果}}}}}publicstaticvoidmain(String[] args)throwsException{// TODO Auto-generated method stubConfiguration conf =newConfiguration();
        conf.set("fs.default.name","hdfs://localhost:9000");String[] otherArgs =newString[]{"input","output"};/* 直接设置输入参数 */if(otherArgs.length !=2){System.err.println("Usage: wordcount <in> <out>");System.exit(2);}Job job =Job.getInstance(conf,"Single table join ");
        job.setJarByClass(Merge.class);
        job.setMapperClass(Map.class);
        job.setReducerClass(Reduce.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(Text.class);FileInputFormat.addInputPath(job,newPath(otherArgs[0]));FileOutputFormat.setOutputPath(job,newPath(otherArgs[1]));System.exit(job.waitForCompletion(true)?0:1);}}

编译运行：
在这里插入图片描述

查看实验结果：

cd /usr/local/hadoop
./bin/hdfs dfs -cat output/*

在这里插入图片描述

四、实验遇到的问题

问题1：
在这里插入图片描述
解决方法：引入hdfs包

问题2：
在这里插入图片描述
解决方法：hdfs的output目录已经存在，删除即可

问题三：

解决方法：引入yarn包

标签： mapreduce big data hadoop

本文转载自: https://blog.csdn.net/gengmeng_/article/details/124677922
版权归原作者 春日思绪 所有，如有侵权，请联系我们删除。

大数据 MapReduce编程实践（1）编程实现文件合并和去重操作

一、实验目的

二、实验平台

三. 实验内容和要求

（1）编程实现文件合并和去重操作

（2）编写程序实现对输入文件的排序

（3）对给定的表格进行信息挖掘

四、实验遇到的问题

发表评论

“大数据 MapReduce编程实践（1）编程实现文件合并和去重操作”的评论:

关于作者

overfit同步小助手

相关阅读

文章导航