大数据-Hadoop-MapReduce(二):MapReduce编程案例

2024-09-02 03:48

本文主要是介绍大数据-Hadoop-MapReduce(二):MapReduce编程案例,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

在这里插入图片描述

案例:使用MapReduce进行词频统计

1、读取本地数据,使用本地(Windows中的hadoop)计算资源,计算结果保存到本地

在这里插入图片描述

WCMapper.java

package com.wyr.wordcount;import java.io.IOException;
import java.util.List;import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.InputSplit;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.RecordReader;/*** 注意:导包时,导入 org.apache.hadoop.mapreduce包下的类(2.0的新api)* * 1. 自定义的类必须符合 MapperReduce 的Mapper的规范* * 2.在MapperReduce中,只能处理 key-value格式的数据* 	 KEYIN, VALUEIN: mapper输入的k-v类型。 由当前Job的 InputFormat 的 RecordReader决定!封装输入的 key-value 由 RecordReader 自动进行。*   KEYOUT, VALUEOUT: mapper输出的k-v类型: 自定义*   * 3. InputFormat的作用:*  		①验证输入目录中文件格式,是否符合当前Job的要求*  		②生成切片,每个切片都会交给一个MapTask处理;方法: List<InputSplit> getSplits*  		③创建RecordReader,由RecordReader从切片中读取记录,交给Mapper进行处理;方法:RecordReader<K,V> createRecordReader;默认hadoop使用的是TextInputFormat,TextInputFormat使用LineRecordReader!** 4. 在Hadoop中,如果有Reduce阶段。通常key-value都需要实现序列化协议,来进行不同机器间的数据网络传输。*  	MapTask处理后的key-value,只是一个阶段性的结果!这些key-value需要传输到ReduceTask所在的机器!*  	不同机器间的数据传输最快捷的方式:将一个对象通过序列化技术,序列化到一个文件中,经过网络传输到另外一台机器,再使用反序列化技术,从文件中读取数据,还原为对象!*  	java的序列化协议的缺点: Serilizxxxxx,特点:不仅保存对象的属性值,类型,还会保存大量的包的结构,子父类和接口的继承信息!	保存的信息太多、太重*  	hadoop开发了一款轻量级的序列化协议: Wriable机制!**/
public class WCMapper extends Mapper<LongWritable, Text, Text, IntWritable>{	// KEYIN, VALUEIN, KEYOUT, VALUEOUT    第 3 个参数表示单词;第 4个参数表示词频private Text out_key=new Text();private IntWritable out_value=new IntWritable(1);// 针对输入的每个 keyin-valuein调用一次   (0,hello	hi	hello	hi),其中key为:0,value为:hello	hi	hello	hi@Overrideprotected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {	// key 为 输入数据的每行的偏移量;value 为输入数据的每行的数据;context为输出数据System.out.println("keyin:"+key+"----keyout:"+value);String[] words = value.toString().split("\t");for (String word : words) {out_key.set(word);//写出数据(单词,1)context.write(out_key, out_value);}	}
}

WCReducer.java

package com.wyr.wordcount;import java.io.IOException;import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;/*** 1. Reducer需要符合Hadoop的Reducer规范** KEYIN, VALUEIN: Mapper输出的 keyout-valueout* KEYOUT, VALUEOUT: 自定义**/
public class WCReducer extends Reducer<Text, IntWritable, Text, IntWritable>{   // KEYIN, VALUEIN, KEYOUT, VALUEOUTprivate IntWritable out_value=new IntWritable();// reduce一次处理一组数据,key相同的视为一组@Overrideprotected void reduce(Text key, Iterable<IntWritable> values, Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException {int sum=0;for (IntWritable intWritable : values) {sum+=intWritable.get();}out_value.set(sum);//将累加的值写出context.write(key, out_value);}
}

WCDriver.java

package com.wyr.wordcount;import java.io.IOException;
import java.net.URI;import org.apache.hadoop

这篇关于大数据-Hadoop-MapReduce(二):MapReduce编程案例的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1128902

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

基于MySQL Binlog的Elasticsearch数据同步实践

一、为什么要做 随着马蜂窝的逐渐发展,我们的业务数据越来越多,单纯使用 MySQL 已经不能满足我们的数据查询需求,例如对于商品、订单等数据的多维度检索。 使用 Elasticsearch 存储业务数据可以很好的解决我们业务中的搜索需求。而数据进行异构存储后,随之而来的就是数据同步的问题。 二、现有方法及问题 对于数据同步,我们目前的解决方案是建立数据中间表。把需要检索的业务数据,统一放到一张M

关于数据埋点,你需要了解这些基本知识

产品汪每天都在和数据打交道,你知道数据来自哪里吗? 移动app端内的用户行为数据大多来自埋点,了解一些埋点知识,能和数据分析师、技术侃大山,参与到前期的数据采集,更重要是让最终的埋点数据能为我所用,否则可怜巴巴等上几个月是常有的事。   埋点类型 根据埋点方式,可以区分为: 手动埋点半自动埋点全自动埋点 秉承“任何事物都有两面性”的道理:自动程度高的,能解决通用统计,便于统一化管理,但个性化定

Hadoop企业开发案例调优场景

需求 (1)需求:从1G数据中,统计每个单词出现次数。服务器3台,每台配置4G内存,4核CPU,4线程。 (2)需求分析: 1G / 128m = 8个MapTask;1个ReduceTask;1个mrAppMaster 平均每个节点运行10个 / 3台 ≈ 3个任务(4    3    3) HDFS参数调优 (1)修改:hadoop-env.sh export HDFS_NAMENOD

使用SecondaryNameNode恢复NameNode的数据

1)需求: NameNode进程挂了并且存储的数据也丢失了,如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2)故障模拟 (1)kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 (2)删除NameNode存储的数据(/opt/module/hadoop-3.1.4/data/tmp/dfs/na

异构存储(冷热数据分离)

异构存储主要解决不同的数据,存储在不同类型的硬盘中,达到最佳性能的问题。 异构存储Shell操作 (1)查看当前有哪些存储策略可以用 [lytfly@hadoop102 hadoop-3.1.4]$ hdfs storagepolicies -listPolicies (2)为指定路径(数据存储目录)设置指定的存储策略 hdfs storagepolicies -setStoragePo

Hadoop集群数据均衡之磁盘间数据均衡

生产环境,由于硬盘空间不足,往往需要增加一块硬盘。刚加载的硬盘没有数据时,可以执行磁盘数据均衡命令。(Hadoop3.x新特性) plan后面带的节点的名字必须是已经存在的,并且是需要均衡的节点。 如果节点不存在,会报如下错误: 如果节点只有一个硬盘的话,不会创建均衡计划: (1)生成均衡计划 hdfs diskbalancer -plan hadoop102 (2)执行均衡计划 hd

hadoop开启回收站配置

开启回收站功能,可以将删除的文件在不超时的情况下,恢复原数据,起到防止误删除、备份等作用。 开启回收站功能参数说明 (1)默认值fs.trash.interval = 0,0表示禁用回收站;其他值表示设置文件的存活时间。 (2)默认值fs.trash.checkpoint.interval = 0,检查回收站的间隔时间。如果该值为0,则该值设置和fs.trash.interval的参数值相等。

Hadoop数据压缩使用介绍

一、压缩原则 (1)运算密集型的Job,少用压缩 (2)IO密集型的Job,多用压缩 二、压缩算法比较 三、压缩位置选择 四、压缩参数配置 1)为了支持多种压缩/解压缩算法,Hadoop引入了编码/解码器 2)要在Hadoop中启用压缩,可以配置如下参数

性能分析之MySQL索引实战案例

文章目录 一、前言二、准备三、MySQL索引优化四、MySQL 索引知识回顾五、总结 一、前言 在上一讲性能工具之 JProfiler 简单登录案例分析实战中已经发现SQL没有建立索引问题,本文将一起从代码层去分析为什么没有建立索引? 开源ERP项目地址:https://gitee.com/jishenghua/JSH_ERP 二、准备 打开IDEA找到登录请求资源路径位置