一、统计好友对数（去重）

1.1、数据准备

joe,    jon

joe , kia

joe, bob

joe ,ali

kia,    joe

kia ,jim

kia, dee

dee    ,kia

dee, ali

ali    ,dee

ali, jim

ali ,bob

ali, joe

ali ,jon

jon,    joe

jon ,ali

bob,    joe

bob ,ali

bob, jim

jim    ,kia

jim, bob

jim ,ali

friends.txt

　　有一个friends.txt文件，里面的一行的格式是：

　　用户名,好友名

1.2、需求分析

　　1）需求

　　　　统计有多少对好友

　　2）分析

　　　　从上面的文件格式与内容，有可能是出现用户名和好友名交换位置的两组数据，这时候这就要去重了。

　　　　比如说:

　　　　　　joe, jon

　　　　　　jon, joe

　　　　这样的数据，我们只能保留一组。

1.3、代码实现

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.conf.Configured;

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.io.LongWritable;

import org.apache.hadoop.io.NullWritable;

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.TextInputFormat;

import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;

import org.apache.hadoop.util.Tool;

import org.apache.hadoop.util.ToolRunner;

import java.io.IOException;

public class DuplicateData_0010 extends Configured implements Tool{

    static class DuplicateDataMapper extends Mapper<LongWritable,Text,Text,NullWritable>{

        Text key = new Text();

        @Override

        protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {

            String[] split = value.toString().split(",");

            if (split.length==){

                String name_1 = split[].trim();

                String name_2 = split[].trim();

                if (!name_1.equals(name_2)){

                    this.key.set(

                            name_1.compareTo(name_2)>?

                                    name_1+","+name_2:

                                    name_2+","+name_1);

                    context.write(this.key,NullWritable.get());

                }

            }

        }

    }

    static class DuplicatteDataReducer extends Reducer<Text,NullWritable,Text,NullWritable>{

        @Override

        protected void reduce(Text key, Iterable<NullWritable> values, Context context) throws IOException, InterruptedException {

            context.write(key, NullWritable.get());

        }

    }

    @Override

    public int run(String[] strings) throws Exception {

        Configuration conf = getConf();

        Path input=  new Path(conf.get("iniput"));

        Path output=  new Path(conf.get("output"));

        Job job = Job.getInstance(conf, this.getClass().getSimpleName() + "Lance");

        job.setJarByClass(this.getClass());

        job.setMapperClass(DuplicateDataMapper.class);

        job.setMapOutputKeyClass(Text.class);

        job.setMapOutputValueClass(NullWritable.class);

        job.setReducerClass(DuplicatteDataReducer.class);

        job.setOutputKeyClass(Text.class);

        job.setOutputValueClass(NullWritable.class);

        TextInputFormat.addInputPath(job, input);

        TextOutputFormat.setOutputPath(job,output);

        return job.waitForCompletion(true)?:;

    }

    public static void main(String[] args) throws Exception {

        System.exit(ToolRunner.run(new DuplicateData_0010(),args));

    }

}

DuplicateData_0010

二、词频统计

2.1、数据准备　　　　

　　设有4组原始文本数据：
　　　　Text 1: the weather is good Text 2: today is good
　　　　Text 3: good weather is good Text 4: today has good weather

2.2、需求分析

　　1）需求

　　　　求每篇文章每个单词出现的次数

　　2）分析

　　　　第一：

　　　　第二：

　　　　预期出现的结果：

2.3、代码实现

　　1）编写一个CountWordMapper类去实现Mapper

/**

*通过继承org.apache.hadoop.mapreduce.Mapper编写自己的Mapper

*/

public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable>{

private final static IntWritable one=new IntWritable(); //统计使用变量

private Text word=new Text(); //单词变量

/**

* key:当前读取行的偏移量

* value： 当前读取的行

* context:map方法执行时上下文

*/

@Override

protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, IntWritable>.Context context)

throws IOException, InterruptedException {

// TODO Auto-generated method stub

StringTokenizer words=new StringTokenizer(value.toString());

while(words.hasMoreTokens()){

word.set(words.nextToken());

context.write(word, one);

}

}

}

WordCountMapper

　　2）编写一个CountWordReducer类去实现Reducer

/**

* 通过继承org.apache.hadoop.mapreduce.Reducer编写自己的Reducer

*/

public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable>{

/**

* key:待统计的word

* values:待统计word的所有统计标识

* context:reduce方法执行时的上下文

*/

@Override

protected void reduce(Text key, Iterable<IntWritable> values,Reducer<Text, IntWritable, Text, IntWritable>.Context

context) throws IOException, InterruptedException {

// TODO Auto-generated method stub

int count=;

for(IntWritable one:values){

count+=one.get();

}

context.write(key, new IntWritable(count));

}

}

WordCountReducer

　　3）编写一个WordCount作业调度的驱动程序WordCountDriver

/**

* WordCount作业调度的驱动程序 *

*/

public class WordCountDriver {

public static void main(String[] args) throws Exception {

// 构建新的作业

Configuration conf=new Configuration();

Job job = Job.getInstance(conf, "Word Count");

job.setJarByClass(WordCountDriver.class);

// 设置Mapper和Reducer函数

job.setMapperClass(WordCountMapper.class);

job.setReducerClass(WordCountReducer.class);

// 设置输出格式

job.setOutputKeyClass(Text.class);

job.setOutputValueClass(IntWritable.class);

// 设置输入和输出目录

FileInputFormat.addInputPath(job, new Path(args[]));

FileOutputFormat.setOutputPath(job, new Path(args[]));

// ᨀ交作业执行

System.exit(job.waitForCompletion(true)?:);

}

}

WordCountDriver

2.4、　运行测试

　　1）前期准备

　　　　将程序打成jar包： wordcount.jar
　　　　准备好Text 1-4文件

　　2）运行

　　　　yarn jar wordcount.jar com.briup.WordCount input output

三、成绩统计

3.1、数据准备

　　chinese.txt

a|李一|

a|王二|

a|张三|

a|刘四|

a|陈五|

a|杨六|

a|赵七|

a|黄八|

a|周九|

a|吴十|

chinese.txt

　　english.txt

b|李一|

b|王二|

b|张三|

b|刘四|

b|陈五|

b|杨六|

b|赵七|

b|黄八|

b|周九|

b|吴十|

english.txt

　　math.txt

c|李一|

c|王二|

c|张三|

c|刘四|

c|陈五|

c|杨六|

c|赵七|

c|黄八|

c|周九|

c|吴十|

math.txt

　　我看查看chinese.txt查看数据格式：

　　a代表语文：李一代表名字：88代表语文成绩

3.2、需求分析

　　根据上面的数据，统计一下分数，格式如下：

3.3、代码实现

　　1）编写一个解析类解析上面的每门课的数据

　　　　ScoreRecordParser

import org.apache.hadoop.io.Text;

public class ScoreRecordParser{

    private String id;

    private String name;

    private String score;

    public boolean parse(String line){

        String[] strs=line.split("[|]");

        if(strs.length<){

            return false;

        }

        id=strs[].trim();

        name=strs[].trim();

        score=strs[].trim();

        if(id.length()>&&name.length()>&&score.length()>){

            return true;

        }else{

            return false;

        }

    }

    public boolean parse(Text line){

        return parse(line.toString());

    }

    public String getId(){

        return id;

    }

    public void setId(String id){

        this.id=id;

    }

    public String getName(){

        return name;

    }

    public void setName(String name){

        this.name=name;

    }

    public String getScore(){

        return score;

    }

    public void setScore(String score){

        this.score=score;

    }

}

　　2）实现需求

　　CalculateScore_0010

import com.briup.bd1702.hadoop.mapred.utils.ScoreRecordParser;

import java.io.IOException;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.conf.Configured;

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.io.LongWritable;

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.TextInputFormat;

import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;

import org.apache.hadoop.util.Tool;

import org.apache.hadoop.util.ToolRunner;

public class CalculateScore_0010 extends Configured implements Tool{

    private static ScoreRecordParser parser=new ScoreRecordParser();

    static class CalculateScoreMapper extends Mapper<LongWritable,Text,Text,Text>{

        private Text key=new Text();

        @Override

        protected void map(LongWritable key,Text value,Context context) throws IOException, InterruptedException{

            if(parser.parse(value)){

                this.key.set(parser.getName());

                context.write(this.key,value);

            }

        }

    }

    static class CalculateScoreReducer extends Reducer<Text,Text,Text,Text>{

        private Text value=new Text();

        @Override

        protected void reduce(Text key,Iterable<Text> values,Context context) throws IOException, InterruptedException{

            StringBuffer buffer=new StringBuffer();

            double sum=;

            for(Text text:values){

                if(parser.parse(text)){

                    String id=parser.getId();

                    String score=parser.getScore();

                    switch(id){

                        case "a":{

                            buffer.append("语文："+score+"\t");

                            break;

                        }

                        case "b":{

                            buffer.append("英语："+score+"\t");

                            break;

                        }

                        case "c":{

                            buffer.append("数学："+score+"\t");

                            break;

                        }

                    }

                    sum+=Double.parseDouble(score);

                }

            }

            buffer.append("总分："+sum+"\t平均分："+(sum/));

            this.value.set(buffer.toString());

            context.write(key,this.value);

        }

    }

    @Override

    public int run(String[] args) throws Exception{

        Configuration conf=getConf();

        Path input=new Path(conf.get("input"));

        Path output=new Path(conf.get("output"));

        Job job=Job.getInstance(conf,this.getClass().getSimpleName());

        job.setJarByClass(this.getClass());

        job.setMapperClass(CalculateScoreMapper.class);

        job.setMapOutputKeyClass(Text.class);

        job.setMapOutputValueClass(Text.class);

        job.setReducerClass(CalculateScoreReducer.class);

        job.setOutputKeyClass(Text.class);

        job.setOutputValueClass(Text.class);

        job.setInputFormatClass(TextInputFormat.class);

        job.setOutputFormatClass(TextOutputFormat.class);

        TextInputFormat.addInputPath(job,input);

        TextOutputFormat.setOutputPath(job,output);

        return job.waitForCompletion(true)?:;

    }

    public static void main(String[] args) throws Exception{

        System.exit(ToolRunner.run(new P00010_CalculateScore_0010(),args));

    }

}

CalculateScore_0010

3.4、执行

　　这里执行因为有三个文件，我们用一个目录去存储，然后在-Dinput中指定这个目录就可以了。

　　在上面的三个文件中，都是特别小的，所以三个文件要用三个数据块去存储，然后用三个map去执行者三个文件。

四、倒排索引

　　首先知道什么是倒排索引？

　　比如所我们有file_1到file_4这四篇文章，我们需要求出：某个单词，在每一篇文章出现的次数

　　比如说输出格式是这样的：

　　　　　　某个单词　　file_1:出现次数,file_2:出现次数,file_3:出现次数,file_4:出现次数

4.1、数据准备

　　file_1

Welcome to MapReduce World

file_1

　　file_2

MapReduce is simple

file_2

　　file_3

MapReduce is powerful is simple

file_3

　　file_4

hello MapReduce Bye MapReduce

file_4

4.2、需求分析

　　1）需求

　　　　实现文件输出格式如下：

　　　　　　某个单词　　file_1:出现次数,file_2:出现次数,file_3:出现次数,file_4:出现次数

　　2）分析

　　　　比如MapReduce这个单词，我们分析一下：

　　　　在map端出来的格式：

　　　　　　注意：f1,f2,f3,f4代表文件名

　　　　经过洗牌之后，进入reduce的数据格式：

　　　　在reduce怎么处理呢？

　　　　　　我们构建一个Map集合用来存放某个路径在这个集合中出现的次数：

　　　　最后就可以形成我们想要的文件：

4.3、代码实现倒排索引

import java.io.IOException;

import java.util.HashMap;

import java.util.Map;

import java.util.Map.Entry;

import java.util.Set;

import java.util.StringTokenizer;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.conf.Configured;

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.io.LongWritable;

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.FileSplit;

import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;

import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;

import org.apache.hadoop.util.Tool;

import org.apache.hadoop.util.ToolRunner;

public class InvertIndex_0010 extends Configured implements Tool{

    static class InvertIndexMapper extends Mapper<LongWritable,Text,Text,Text>{

        private Text word=new Text();

        private Text file=new Text();

        @Override

        protected void setup(Context context) throws IOException, InterruptedException{

            String fileName=((FileSplit)context.getInputSplit())

                .getPath().getName();

            file.set(fileName);

        }

        @Override

        protected void map(LongWritable key,

            Text value,Context context) throws IOException, InterruptedException{

            StringTokenizer words=

                new StringTokenizer(value.toString()," ");

            String item=null;

            while(words.hasMoreTokens()){

                item=words.nextToken();

                if(item.trim().length()>=){

                    word.set(item.trim());

                    context.write(word,file);

                }

            }

        }

    }

    static class InvertIndexReducer extends Reducer<Text,Text,Text,Text>{

        private Map<String,Integer> index=new HashMap<>();

        private Text value=new Text();

        @Override

        protected void reduce(Text key,Iterable<Text> values,Context context) throws IOException, InterruptedException{

            index.clear();

            for(Text file:values){

                String fileName=file.toString();

                if(index.get(fileName)!=null){

                    index.put(fileName,index.get(fileName)+);

                }else{

                    index.put(fileName,);

                }

            }

            StringBuffer buffer=new StringBuffer();

            Set<Entry<String,Integer>> entries=index.entrySet();

            for(Entry<String,Integer> entry:entries){

                buffer.append(","+entry.getKey().toString()+":"+entry.getValue().toString());

            }

            this.value.set(buffer.toString());

            context.write(key,value);

        }

    }

    @Override

    public int run(String[] args) throws Exception{

        Configuration conf=getConf();

        Path input=new Path(conf.get("input"));

        Path output=new Path(conf.get("output"));

        Job job=Job.getInstance(conf,this.getClass().getSimpleName());

        job.setJarByClass(this.getClass());

        job.setMapperClass(InvertIndexMapper.class);

        job.setMapOutputKeyClass(Text.class);

        job.setMapOutputValueClass(Text.class);

        job.setReducerClass(InvertIndexReducer.class);

        job.setOutputKeyClass(Text.class);

        job.setOutputValueClass(Text.class);

        job.setInputFormatClass(TextInputFormat.class);

        job.setOutputFormatClass(TextOutputFormat.class);

        TextInputFormat.addInputPath(job,input);

        TextOutputFormat.setOutputPath(job,output);

        return job.waitForCompletion(true)?:;

    }

    public static void main(String[] args) throws Exception{

        System.exit(ToolRunner.run(new P00010_InvertIndex_0010(),args));

    }

}

InvertIndex_0010

　　注意：

　　　　这里使用了一个StringTokenizer来分割数据：

StringTokenizer words=

                new StringTokenizer(value.toString()," ");

            String item=null;

            while(words.hasMoreTokens()){

                item=words.nextToken();

                if(item.trim().length()>=){

                    word.set(item.trim());

                    context.write(word,file);

                }

            }

五、共现矩阵（共现次数）　

5.1、需求分析　　　

　　首先我们要知道什么是共现次数？　

　　我们分析一个用户数据来解释：

joe,    jon

joe , kia

joe, bob

joe ,ali

kia,    joe

kia ,jim

kia, dee

dee    ,kia

dee, ali

ali    ,dee

ali, jim

ali ,bob

ali, joe

ali ,jon

jon,    joe

jon ,ali

bob,    joe

bob ,ali

bob, jim

jim    ,kia

jim, bob

jim ,ali

　　上面这个数据中，在一行中左边是一个用户，右边是它的好友。

　　那我们可以根据上面的数据列出所有用户的好友列表：

ali,bob,jim,dee,jon,joe

bob,jim,ali,joe

dee,kia,ali

jim,ali,bob,kia

joe,ali,bob,kia,jon

jon,joe,ali

kia,dee,jim,joe

　　接下来我们把每个用户的好友列表每两两组成一对，在所有用户的好友列表中去计算，这两两组成的一对共出现了几次。

　　比如说：

　　　　　bob,jim组成了一组，在余下的好友列表中两两组成去计算共出现了几次。（除了用户本身），也就是下面的数据。

　　dee,jon,joe

　　jim,ali,joe

　　kia,ali

　　ali,bob,kia

　　ali,bob,kia,jon

　　joe,ali

　　dee,jim,joe

　　　　接下来就是jin,dee。然后是dee,jon依次类推。。。　　　　　　　　

　　从上面的分析我们可以得出预期的结果为：　　

　　ali,bob

　　ali,jim

　　ali,joe

　　ali,jon

　　ali,kia

　　bob,dee

　　bob,jim

　　bob,joe

　　bob,jon

　　bob,kia

　　dee,jim

　　dee,joe

　　dee,jon

　　jim,joe

　　jim,jon

　　joe,jon

　　jon,kia

　　我们可以分两步去写，也就是分两个MapReduce任务。第一个MapReduce计算好友列表。第二个在每两两组成一组，计算这一组所出现的次数。

5.2、代码实现

　　1）计算好友列表

import com.briup.bd1702.hadoop.mapred.utils.FriendRecordParser;

import java.io.IOException;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.conf.Configured;

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.io.LongWritable;

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.TextInputFormat;

import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;

import org.apache.hadoop.util.Tool;

import org.apache.hadoop.util.ToolRunner;

public class FriendList_0010 extends Configured implements Tool{

    static class FriendListMapper extends Mapper<LongWritable,Text,Text,Text>{

        private Text userName=new Text();

        private Text friendName=new Text();

        private FriendRecordParser parser=new FriendRecordParser();

        @Override

        protected void map(LongWritable key,Text value,Context context) throws IOException, InterruptedException{

            parser.parse(value);

            if(parser.isValid()){

                userName.set(parser.getUserName());

                friendName.set(parser.getFriendName());

                context.write(userName,friendName);

                System.out.println("----"+userName+"----"+friendName+"----");

            }

        }

    }

    static class FriendListReducer extends Reducer<Text,Text,Text,Text>{

        private Text friendsNames=new Text();

        @Override

        protected void reduce(Text key,

                Iterable<Text> values,Context context) throws IOException, InterruptedException{

            StringBuffer buffer=new StringBuffer();

            for(Text name:values){

                buffer.append(","+name);

            }

            System.out.println("++++"+buffer.toString()+"++++");

            friendsNames.set(buffer.toString());

            context.write(key,friendsNames);

        }

    }

    @Override

    public int run(String[] args) throws Exception{

        Configuration conf=getConf();

        Path input=new Path(conf.get("input"));

        Path output=new Path(conf.get("output"));

        Job job=Job.getInstance(conf,this.getClass().getSimpleName());

        job.setJarByClass(this.getClass());

        job.setMapperClass(FriendListMapper.class);

        job.setMapOutputKeyClass(Text.class);

        job.setMapOutputValueClass(Text.class);

        job.setReducerClass(FriendListReducer.class);

        job.setOutputKeyClass(Text.class);

        job.setOutputValueClass(Text.class);

        job.setInputFormatClass(TextInputFormat.class);

        job.setOutputFormatClass(TextOutputFormat.class);

        TextInputFormat.addInputPath(job,input);

        TextOutputFormat.setOutputPath(job,output);

        return job.waitForCompletion(true)?:;

    }

    public static void main(String[] args) throws Exception{

        System.exit(ToolRunner.run(new P00010_FriendList_0010(),args));

    }

}

FriendList

　　2）计算共现次数

import java.io.IOException;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.conf.Configured;

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.io.IntWritable;

import org.apache.hadoop.io.LongWritable;

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.TextInputFormat;

import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;

import org.apache.hadoop.util.Tool;

import org.apache.hadoop.util.ToolRunner;

public class Cooccurence_0010 extends Configured implements Tool{

    static class CooccurenceMapper extends Mapper<LongWritable,Text,Text,IntWritable>{

        private Text key=new Text();

        private IntWritable value=new IntWritable();

        @Override

        protected void map(LongWritable key,Text value,Context context) throws IOException, InterruptedException{

            String[] strs=value.toString().split(",");

            for(int i=;i<strs.length-;i++){

                for(int j=i+;j<strs.length;j++){

                    //这个的目的是：两个数据形成一对之后，顺序固定的问题。

                    this.key.set(strs[i].compareTo(strs[j])<?

                        strs[i]+","+strs[j]:

                        strs[j]+","+strs[i]);

                    context.write(this.key,this.value);

                }

            }

        }

    }

    static class CooccurenceReducer extends Reducer<Text,IntWritable,Text,IntWritable>{

        @Override

        protected void reduce(Text key,Iterable<IntWritable> values,Context context) throws IOException, InterruptedException{

            int count=;

            for(IntWritable value:values){

                count+=value.get();

            }

            context.write(key,new IntWritable(count));

        }

    }

    @Override

    public int run(String[] args) throws Exception{

        Configuration conf=getConf();

        Path input=new Path(conf.get("input"));

        Path output=new Path(conf.get("output"));

        Job job=Job.getInstance(conf,this.getClass().getSimpleName());

        job.setJarByClass(this.getClass());

        job.setMapperClass(CooccurenceMapper.class);

        job.setMapOutputKeyClass(Text.class);

        job.setMapOutputValueClass(IntWritable.class);

        job.setReducerClass(CooccurenceReducer.class);

        job.setOutputKeyClass(Text.class);

        job.setOutputValueClass(IntWritable.class);

        job.setInputFormatClass(TextInputFormat.class);

        job.setOutputFormatClass(TextOutputFormat.class);

        TextInputFormat.addInputPath(job,input);

        TextOutputFormat.setOutputPath(job,output);

        return job.waitForCompletion(true)?:;

    }

    public static void main(String[] args) throws Exception{

        System.exit(ToolRunner.run(new P00020_Cooccurence_0010(),args));

    }

}

Cooccurence_0010

喜欢就点个“推荐”哦~！　　　　

Hadoop（十五）MapReduce程序实例的更多相关文章

hadoop下跑mapreduce程序报错
mapreduce真的是门学问,遇到的问题逼着我把它从MRv1摸索到MRv2,从年前就牵挂在心里,连过年回家的旅途上都是心情凝重,今天终于在eclipse控制台看到了job completed suc ...
Hadoop_05_运行 Hadoop 自带 MapReduce程序
1. MapReduce使用 MapReduce是Hadoop中的分布式运算编程框架,只要按照其编程规范,只需要编写少量的业务逻辑代码即可实现一个强大的海量数据并发处理程序 2. 运行Hadoop自 ...
python 运行 hadoop 2.0 mapreduce 程序
要点:#!/usr/bin/python 因为要发送到各个节点,所以py文件必须是可执行的. 1) 统计(所有日志)独立ip数目,即不同ip的总数 ####################本地测试## ...
hadoop 第一个 mapreduce 程序（对MapReduce的几种固定代码的理解）
1.2MapReduce 和 HDFS 是如何工作的 MapReduce 其实是两部分,先是 Map 过程,然后是 Reduce 过程.从词频计算来说,假设某个文件块里的一行文字是”Thisis a ...
一脸懵逼学习Hadoop中的MapReduce程序中自定义分组的实现
1:首先搞好实体类对象: write 是把每个对象序列化到输出流,readFields是把输入流字节反序列化,实现WritableComparable,Java值对象的比较:一般需要重写toStrin ...
openstack controller ha测试环境搭建记录（十五）——创建实例
# source demo-openrc.sh # ssh-keygenGenerating public/private rsa key pair.Enter file in which to sa ...
Swift学习笔记（十五）——程序猿浪漫之用Swift+Unicode说我爱你
程序猿经常被觉得是呆板.宅,不解风情的一帮人.可是有时候.我们也能够使用自己的拿手本领来表现我们的浪漫. 因为Swift语言是支持Unicode编码的,而Unicode最新已经支持emoji(绘文字) ...
【Unity 3D】学习笔记三十五：游戏实例——摄像机切换镜头
摄像机切换镜头在游戏中常常会切换摄像机来观察某一个游戏对象,能够说.在3D游戏开发中,摄像头的切换是不可或缺的. 这次我们学习总结下摄像机怎么切换镜头. 代码: private var Camera ...
高可用Hadoop平台－运行MapReduce程序
1.概述最近有同学反应,如何在配置了HA的Hadoop平台运行MapReduce程序呢?对于刚步入Hadoop行业的同学,这个疑问却是会存在,其实仔细想想,如果你之前的语言功底不错的,应该会想到自动 ...

随机推荐

spring boot oauth2的一些记录
oauth2及时从一个项目A申请另一个项目B的访问的时候,不用在项目A输入项目B的用户名和密码,个人理解先跳转到项目B,利用项目B的用户名和密码得到一个code之类的,这里有点像openID,不过不是 ...
SQL 杂活
例子一:查询两个表数据并且分页展示 select * from ( select ROW_NUMBER() OVER(order by CreateTime desc) as rownum,* fro ...
伪列：Oracle显示查询结果前几条记录用rownum<=。去掉重复记录，保留最早录入记录：取出最小ROWID
显示6-10行记录: 去掉重复记录,保留最早录入记录:取出最小ROWID SELECT deptno,dname,loc,min(ROWID) FROM dept GROUP BY deptno,dn ...
OC学习6——面相对象的三大特性
我们在学习Java的时候都知道,类有三大特性:继承,封装,多态,这也是面向对象的三大特征.OC学习篇之---类的三大特性(封装,继承,多态) 1.封装(Encapsulation)是指将对象的状态信息 ...
UITableView的性能优化1
UITableView作为ios中使用最频繁的控件之一,其性能优化也是常常要面对的,尤其是当数据量偏大并且设备性能不足时.本文旨在总结tableview的几个性能优化tips,并且随着认识的深入,本文 ...
lesson - 6 Linux下磁盘管理
1. 查看磁盘或者目录的容量df 查看磁盘各分区使用情况不加参数以k为单位 df -i inode数,df -h 以G或者T或者M df -m 以M单位显示 du 查看目录或者文 ...
crm踩坑记(三)
React 如何同步更新state 由于setState方法是异步的,而通常很多时候在一个生命周期里更新state后需要在另一个生命周期里使用这个state. 下面介绍几个方法 // 1 this.s ...
ffempg支持文件解码
在做一个数据通道要求有两个 1.支持打开实时流,解码得到图片 2.支持打开视频文件,得到解码图片第一个要求前任已经实现 bool FfmpegStreamChr::Open(const char ...
房上的猫：JavaDoc注释
//这是一个注释 /* *这是一个演示程序 */ /** *@这是JavaDoc注释. */ JavaDoc注释背景: javadoc是Sun公司提供的一个技术,它从程序源代码中抽 ...
Pyhon学习_04_字典、集合
字典.集合两种基本类型都是通过映射的方式访问. 字典 python中的字典和perl中的哈希是很相似的,包括其重要的几条属性: 1. 键值必须是唯一的 2. 键值必须是可哈希的,也就是键值不能够是可变 ...

Hadoop（十五）MapReduce程序实例

一、统计好友对数（去重）

1.1、数据准备

1.2、需求分析

1.3、代码实现

二、词频统计

2.1、数据准备

2.2、需求分析

2.3、代码实现

2.4、 运行测试

三、成绩统计

3.1、数据准备

3.2、需求分析

3.3、代码实现

3.4、执行

四、倒排索引

4.1、数据准备

4.2、需求分析

4.3、代码实现倒排索引

五、共现矩阵（共现次数）

5.1、需求分析

5.2、代码实现

Hadoop（十五）MapReduce程序实例的更多相关文章

随机推荐

热门专题

2.1、数据准备　　　　

2.4、　运行测试

五、共现矩阵（共现次数）　

5.1、需求分析　　　