[Hadoop]-从数据去重认识MapReduce

　　这学期刚好开了一门大数据的课，就是完完全全简简单单的介绍的那种，然后就接触到这里面最被人熟知的Hadoop了。看了官网的教程【吐槽一下，果然英语还是很重要！】，嗯啊，一知半解地搭建了本地和伪分布式的，然后是在没弄懂，求助了Google，搞来了一台机子，嗯，搭了个分布式的。其实是作业要求啦，觉得自己平时用单机的完全够了啦~

　　然后被要求去做个WordCount和数据去重的小例子，嗯啊，我就抱着半桶水的Java知识就出发走向“大数据“【其实很小】了。

　　立马求助官网【官网就是好，虽然看的慢，英语技术两不误！】，看了给出来的WordCount的例子，自己就写了一下数据去重的小例子，还好成功了，顺便对MapReduce了解了更多。下面说一下自己的认识和实现的思路。

　　首先整个的流程大致是这样的

　　1.输入数据InputData在被Map()处理之前会先由InputFormat调用getRecordReader()生成RecordReader，RecordReader再调用creatKey()和creatValue()生成可供Map使用的<key,value>对。其中有很多格式可继承于InputFormat，如我们最常用TextInputFor就是继承于FileInputFormat，将每一行数据都生成一个记录。

　　2.到Map呢就是发挥数据价值的时候了。想想这些数据都能拿来干嘛，想干嘛，再coding你想要做的一切一切吧。

　　3.Map输出的<key,value>对在被送到Reduce之前呢，会被先送到Shuffle处理一下成为<key,value-list>的样子，Reduce最喜欢这样的了。怎么变成这样呢？嗯，就是将相同的Key数据合并在一起了，还可以指定Job.setCombinerClass(class)来指定组合的方式。还有乱糟糟的Reduce也是不喜欢的，所以在它们组合之后还要再sort一下才行，如果遇到等值的数据呢，你又想自己来定怎么排序，那就指定Job.setGroupingComparaterClass(class)来‘二次排序’吧。

　　4.又是一个发挥想象力的过程了。也是要好好想想Reduce能帮你干什么呢，如果觉得没必要的话，我们也可以不指定Reduce的，让Map处理后的数据就直接输出好了。在Map和Reduce阶段都可以借助Counter来获得一些统计信息哦。

　　5.快到尾声了，记得每一种InputFormat都有一种OutputFormat和它对应的，最常用的还是Text类型的。

　　6.上面我们提到了Job这个东西，其实一个Job可以理解分为Map和Reduce两个过程。所以我们既可以定义Map和Reduce，也是给Job设定各种各样的配置。最简单的设置会在后面程序的注释里给出。

　　数据去重实现的思路：

　　根据上面的流程分析，既然数据是一行一行split之后再传进去Map的，而Map的输出结果是会经过Shuffle合并相同key之后再给Reduce的，那我们将Map输入的value变成Map输出的key就ok了，这里就不用管输出的value-list是什么东西了，重复的就combine了，达到需要。

　　这是代码的具体实现：

　　

/*
    运行环境
    CentOS7
    OpenJDK-1.7.0.91
    Hadoop2.7.1
    ！单机节点测试！
*/

//导入所需的包
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 Single
{

    //map将输入中的value复制到输出数据的key上，并直接输出
    /*
        四个参数的意思分别是:
        Object:输入到Map中的key的类型
        Text:输入到Map中的value的类型
        Text：输出到Reduce中的key的类型
        Text：输出到Reduce中的value的类型
    */
    public static class Map extends Mapper<Object, Text, Text, Text>
    {
        //从输入中得到的每行的数据的类型
        private static Text line = new Text();

        //实现map函数
        public void map(Object key, Text value, Context context) throws IOException, InterruptedException
        {
            //获取并输出每一次的处理过程
            line = value;
            System.out.println("The process of the Map:" + key);
            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
        {
            //获取并输出每一次的处理过程
            System.out.println("The process of the Reduce:" + key);
            context.write(key, new Text(""));

        }

    }

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

        //设置配置类
        Configuration conf = new Configuration();

        //是从命令行里获取输入数据和输出数据的路径，所以这里要获取和判断一下
        String[] pathArgs = new GenericOptionsParser(conf, args).getRemainingArgs();

        if(pathArgs.length != 2)
        {
            System.err.println("Please set the path of <InputData> & <OutputData> in the command!");
            System.exit(2);
        }

        //Job job = new Job(conf, "Date-Single");
        //照着葫芦画不出来，就Google一下解决方法
        Job job = Job.getInstance();
        job.setJobName("single");
        job.setJarByClass(Single.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(pathArgs[0]));
        FileOutputFormat.setOutputPath(job, new Path(pathArgs[1]));
        //这里是根据是否等待job完成之后再返回结果并退出程序
        System.exit(job.waitForCompletion(true) ? 0 : 1);

    }
}

　　后记：

　　在这个学习过程中，很多东西都是”不求甚解“，对于它们只有一些很浅显的理解，如有错误之处，劳烦告知，谢谢。

　　本文由AnnsShadoW发表于：http://www.cnblogs.com/annsshadow/p/5006317.html