MapReduce实例(数据去重)

数据去重：

原理(理解)：Mapreduce程序首先应该确认<k3,v3>,根据<k3,v3>确定<k2,v2>，原始数据中出现次数超过一次的数据在输出文件中只出现一次。Reduce的输出是不重复的数据，也就是每一行数据作为key，即k3。而v3为空或不需要设值。根据<k3，v3>得到k2为每一行的数据，v2为空。根据MapReduce框架设值可知，k1为每行的起始位置，v1为每行的内容。因此，v1需要赋值给k2，使得原来的v1作为新的k2，从而两个或更多文件通过在Reduce端聚合，得到去重后的数据。

 数据：

file1.txt

2016-6-1 b
2016-6-2 a
2016-6-3 b
2016-6-4 d
2016-6-5 a
2016-6-6 c
2016-6-7 d
2016-6-3 c

file2.txt

2016-6-1 a
2016-6-2 b
2016-6-3 c
2016-6-4 d
2016-6-5 a
2016-6-6 b
2016-6-7 c
2016-6-3 c

*创建文件夹dedup_in并创建上述两文件，将该文件夹上传到HDFS中

[root@neusoft-master filecontent]# hadoop dfs -put dedup_in/ /neusoft/

[root@neusoft-master filecontent]# hadoop dfs -ls /neusoft

（1）自定义Mapper任务

     private static class MyMapper extends Mapper<Object, Text, Text, Text>{
         private static Text line=new Text();
         @Override
         protected void map(Object k1, Text v1,
                 Mapper<Object, Text, Text, Text>.Context context)
                 throws IOException, InterruptedException {
             line=v1;//v1为每行数据，赋值给line
             context.write(line, new Text(""));
         }
     }

（2）自定义Reduce任务

 private static class MyReducer extends Reducer<Text, Text, Text, Text>
     {
         @Override
         protected void reduce(Text k2, Iterable<Text> v2s,
                 Reducer<Text, Text, Text, Text>.Context context)
                 throws IOException, InterruptedException {
             context.write(k2, new Text(""));
         }
     }

（3）主函数(组织map和reduce)

 public static void main(String[] args) throws Exception {
         //必须要传递的是自定的mapper和reducer的类，输入输出的路径必须指定，输出的类型<k3,v3>必须指定
                 //2将自定义的MyMapper和MyReducer组装在一起
                 Configuration conf=new Configuration();
                 String jobName=DataDeduplication.class.getSimpleName();
                 //1首先寫job，知道需要conf和jobname在去創建即可
                 Job job = Job.getInstance(conf, jobName);

                 //*13最后，如果要打包运行改程序，则需要调用如下行
                 job.setJarByClass(DataDeduplication.class);

                 //3读取HDFS內容：FileInputFormat在mapreduce.lib包下
                 FileInputFormat.setInputPaths(job, new Path(args[0]));
                 //4指定解析<k1,v1>的类（谁来解析键值对）
                 //*指定解析的类可以省略不写，因为设置解析类默认的就是TextInputFormat.class
                 job.setInputFormatClass(TextInputFormat.class);
                 //5指定自定义mapper类
                 job.setMapperClass(MyMapper.class);
                 //6指定map输出的key2的类型和value2的类型  <k2,v2>
                 //*下面两步可以省略，当<k3,v3>和<k2,v2>类型一致的时候,<k2,v2>类型可以不指定
                 job.setMapOutputKeyClass(Text.class);
                 job.setMapOutputValueClass(Text.class);
                 //7分区(默认1个)，排序，分组，规约 采用 默认
                 job.setCombinerClass(MyReducer.class);
                 //接下来采用reduce步骤
                 //8指定自定义的reduce类
                 job.setReducerClass(MyReducer.class);
                 //9指定输出的<k3,v3>类型
                 job.setOutputKeyClass(Text.class);
                 job.setOutputValueClass(Text.class);
                 //10指定输出<K3,V3>的类
                 //*下面这一步可以省
                 job.setOutputFormatClass(TextOutputFormat.class);
                 //11指定输出路径
                 FileOutputFormat.setOutputPath(job, new Path(args[1]));

                 //12写的mapreduce程序要交给resource manager运行
                 job.waitForCompletion(true);
     }

数据去重源代码：

 package Mapreduce;

 import java.io.IOException;

 import org.apache.hadoop.conf.Configuration;
 import org.apache.hadoop.fs.Path;
 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.input.TextInputFormat;
 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
 import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;

 public class DataDeduplication {
     public static void main(String[] args) throws Exception {
         //必须要传递的是自定的mapper和reducer的类，输入输出的路径必须指定，输出的类型<k3,v3>必须指定
                 //2将自定义的MyMapper和MyReducer组装在一起
                 Configuration conf=new Configuration();
                 String jobName=DataDeduplication.class.getSimpleName();
                 //1首先寫job，知道需要conf和jobname在去創建即可
                 Job job = Job.getInstance(conf, jobName);

                 //*13最后，如果要打包运行改程序，则需要调用如下行
                 job.setJarByClass(DataDeduplication.class);

                 //3读取HDFS內容：FileInputFormat在mapreduce.lib包下
                 FileInputFormat.setInputPaths(job, new Path(args[0]));
                 //4指定解析<k1,v1>的类（谁来解析键值对）
                 //*指定解析的类可以省略不写，因为设置解析类默认的就是TextInputFormat.class
                 job.setInputFormatClass(TextInputFormat.class);
                 //5指定自定义mapper类
                 job.setMapperClass(MyMapper.class);
                 //6指定map输出的key2的类型和value2的类型  <k2,v2>
                 //*下面两步可以省略，当<k3,v3>和<k2,v2>类型一致的时候,<k2,v2>类型可以不指定
                 job.setMapOutputKeyClass(Text.class);
                 job.setMapOutputValueClass(Text.class);
                 //7分区(默认1个)，排序，分组，规约 采用 默认
                 job.setCombinerClass(MyReducer.class);
                 //接下来采用reduce步骤
                 //8指定自定义的reduce类
                 job.setReducerClass(MyReducer.class);
                 //9指定输出的<k3,v3>类型
                 job.setOutputKeyClass(Text.class);
                 job.setOutputValueClass(Text.class);
                 //10指定输出<K3,V3>的类
                 //*下面这一步可以省
                 job.setOutputFormatClass(TextOutputFormat.class);
                 //11指定输出路径
                 FileOutputFormat.setOutputPath(job, new Path(args[1]));

                 //12写的mapreduce程序要交给resource manager运行
                 job.waitForCompletion(true);
     }
     private static class MyMapper extends Mapper<Object, Text, Text, Text>{
         private static Text line=new Text();
         @Override
         protected void map(Object k1, Text v1,
                 Mapper<Object, Text, Text, Text>.Context context)
                 throws IOException, InterruptedException {
             line=v1;//v1为每行数据，赋值给line
             context.write(line, new Text(""));
         }
     }
     private static class MyReducer extends Reducer<Text, Text, Text, Text>
     {
         @Override
         protected void reduce(Text k2, Iterable<Text> v2s,
                 Reducer<Text, Text, Text, Text>.Context context)
                 throws IOException, InterruptedException {
             context.write(k2, new Text(""));
         }
     }
 }

数据去重

运行结果：

[root@neusoft-master filecontent]# hadoop jar DataDeduplication.jar /neusoft/dedup_in /out12

[root@neusoft-master filecontent]# hadoop dfs -text /out12/part-r-00000

结果验证正确~

注意：HDFS的显示形式

[root@neusoft-master filecontent]# hadoop dfs -ls hdfs://neusoft-master:9000/out12

[root@neusoft-master filecontent]# hadoop dfs -ls  /out12 

等价表示形式

/out12的完整表达形式hdfs://neusoft-master:9000/out12