大数据技术与原理实验报告（MapReduce 初级编程实践）

Posted on by hackdl

MapReduce 初级编程实践

验环境：

  1. 操作系统：Linux（建议Ubuntu16.04）；

Hadoop版本：3.2.2；

（一）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：

20170101x

20170102 y

20170103 x

20170104y

20170105z

20170106x

输入文件 B 的样例如下：

20170101y

20170102y

20170103x

20170104z

20170105y

根据输入文件 A 和 B 合并得到的输出文件 C 的样例如下：

20170101x

20170101y

20170102y

20170103x

20170104y

20170104z

20170105y

20170105z

20170106x

实现上述操作的 Java 代码如下：

1.importjava.io.IOException;
2.
3.importorg.apache.hadoop.conf.Configuration;
4.importorg.apache.hadoop.fs.Path;
5.importorg.apache.hadoop.io.IntWritable;
6.importorg.apache.hadoop.io.Text;
7.importorg.apache.hadoop.mapreduce.Job;
8.importorg.apache.hadoop.mapreduce.Mapper;
9.importorg.apache.hadoop.mapreduce.Reducer;
10.importorg.apache.hadoop.util.GenericOptionsParser;
11.importorg.apache.hadoop.mapreduce.lib.input.FileInputFormat;
12.importorg.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
13.
14.publicclassMerge{
15.
16./**
17.*@paramargs
18.*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
19.*/
20.//在这重载map函数，直接将输入中的value复制到输出数据的key上注意在map方法中要抛出异常：throwsIOException,InterruptedException
21.publicstaticclassMapextendsMapper{
22.privatestaticTexttext=newText();
23.publicvoidmap(Objectkey,Textvalue,Contextcontent)throwsIOException,InterruptedException{
24.
25.text=value;
26.content.write(text,newText(""));
27.}
28.}
29.//在这重载reduce函数，直接将输入中的key复制到输出数据的key上注意在reduce方法上要抛出异常：throwsIOException,InterruptedException
30.publicstaticclassReduceextendsReducer{
31.publicvoidreduce(Textkey,Iterablevalues,Contextcontext)throwsIOEx服务器托管网ception,InterruptedException{
32.context.write(key,newText(""));
33.}
34.}
35.
36.publicstaticvoidmain(String[]args)throwsException{
37.
38.//TODOAuto-generatedmethodstub
39.Configurationconf=newConfiguration();
40.conf.set("fs.defaultFS","hdfs://localhost:9000");
41.String[]otherArgs=newString[]{"input","output"};/*直接设置输入参数*/
42.if(otherArgs.length!=2){
43.System.err.println("Usage:wordcount");
44.System.exit(2);
45.}
46.Jobjob=Job.getInstance(conf,"Mergeandduplicateremoval");
47.job.setJarByClass(Merge.class);
48.job.setMapperClass(Map.class);
49.job.setCombinerClass(Reduce.class);
50.job.setReducerClass(Reduce.class);
51.job.setOutputKeyClass(Text.class);
52.job.setOutputValueClass(Text.class);
53.FileInputFormat.addInputPath(job,newPath(otherArgs[0]));
54.FileOutputFormat.setOutputPath(job,newPath(otherArgs[1]));
55.System.exit(job.waitForCompletion(true)?0:1);
56.}
}

运行结果：

图1：文件合并去重java运行结果

图2：文件合并输出结果

  • 二 编程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

54

8 37

9 39

10 40

11 45

JAVA代码如下：

1.importjava.io.IOException;
2.importorg.apache.hadoop.conf.Configuration;
3.importorg.apache.hadoop.fs.Path;
4.importorg.apache.hadoop.io.IntWritable;
5.importorg.apache.hadoop.io.Text;
6.importorg.apache.hadoop.mapreduce.Job;
7.importorg.apache.hadoop.mapreduce.Mapper;
8.importorg.apache.hadoop.mapreduce.Partitioner;
9.importorg.apache.hadoop.mapreduce.Reducer;
10.importorg.apache.hadoop.mapreduce.lib.input.FileInputFormat;
11.importorg.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
12.importorg.apache.hadoop.util.GenericOptionsParser;
13.
14.
15.publicclassMergeSort{
16./**
17.*@paramargs
18.*输入多个文件，每个文件中的每行内容均为一个整数
19.*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
20.*/
21.//map函数读取输入中的value，将其转化成IntWritable类型，最后作为输出key
22.publicstaticclassMapextendsMapper{
23.
24.privatestaticIntWritabledata=newIntWritable();
25.publicvoidmap(Objectkey,Textvalue,Contextcontext)throwsIOException,InterruptedException{
26.Stringtext=value.toStri服务器托管网ng();
27.data.set(Integer.parseInt(text));
28.context.write(data,newIntWritable(1));
29.}
30.}
31.
32.//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
33.publicstaticclassReduceextendsReducer{
34.privatestaticIntWritableline_num=newIntWritable(1);
35.publicvoidreduce(IntWritablekey,Iterablevalues,Contextcontext)throwsIOException,InterruptedException{
36.for(IntWritableval:values){
37.context.write(line_num,key);
38.line_num=newIntWritable(line_num.get()+1);
39.}
40.}
41.}
42.
43.//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PartitonID
44.publicstaticclassPartitionextendsPartitioner{
45.publicintgetPartition(IntWritablekey,IntWritablevalue,intnum_Partition){
46.intMaxnumber=65223;//int型的最大数值
47.intbound=Maxnumber/num_Partition+1;
48.intkeynumber=key.get();
49.for(inti=0;i=bound*i){
51.returni;
52.}
53.}
54.return-1;
55.}
56.}
57.
58.publicstaticvoidmain(String[]args)throwsException{
59.//TODOAuto-generatedmethodstub
60.Configurationconf=newConfiguration();
61.conf.set("fs.default.name","hdfs://localhost:9000");
62.String[]otherArgs=newString[]{"input","output"};/*直接设置输入参数*/
63.if(otherArgs.length!=2){
64.System.err.println("Usage:wordcount");
65.System.exit(2);
66.}
67.Jobjob=Job.getInstance(conf,"Mergeandsort");
68.job.setJarByClass(MergeSort.class);
69.job.setMapperClass(Map.class);
70.job.setReducerClass(Reduce.class);
71.job.setPartitionerClass(Partition.class);
72.job.setOutputKeyClass(IntWritable.class);
73.job.setOutputValueClass(IntWritable.class);
74.FileInputFormat.addInputPath(job,newPath(otherArgs[0]));
75.FileOutputFormat.setOutputPath(job,newPath(otherArgs[1]));
76.System.exit(job.waitForCompletion(true)?0:1);
77.}
78.}

运行结果 ：

图3：文件内容排序运行结果

  • （三 ）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：

childparent

StevenLucy

StevenJack

JoneLucy

Jone Jack

LucyMary

LucyFrank

Jack Alice

Jack Jesse

DavidAlice

DavidJesse

Philip David

PhilipAlma

Mark David

Mark Alma

输出文件内容如下：

grandchild grandparent

Steven Alice

Steven Jesse

Jone Alice

JoneJesse

Steven Mary

Steven Frank

Jone Mary

Jone Frank

PhilipAlice

Philip Jesse

Mark Alice

Mark Jesse

JAVA代码如下：

1.importjava.io.IOException;
2.importjava.util.*;
3.
4.importorg.apache.hadoop.conf.Configuration;
5.importorg.apache.hadoop.fs.Path;
6.importorg.apache.hadoop.io.IntWritable;
7.importorg.apache.hadoop.io.Text;
8.importorg.apache.hadoop.mapreduce.Job;
9.importorg.apache.hadoop.mapreduce.Mapper;
10.importorg.apache.hadoop.mapreduce.Reducer;
11.importorg.apache.hadoop.mapreduce.lib.input.FileInputFormat;
12.importorg.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
13.importorg.apache.hadoop.util.GenericOptionsParser;
14.
15.publicclasssimple_data_mining{
16.publicstaticinttime=0;
17.
18./**
19.*@paramargs
20.*输入一个child-parent的表格
21.*输出一个体现grandchild-grandparent关系的表格
22.*/
23.//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
24.publicstaticclassMapextendsMapper{
25.publicvoidmap(Objectkey,Textvalue,Contextcontext)throwsIOException,InterruptedException{
26.Stringchild_name=newString();
27.Stringparent_name=newString();
28.Stringrelation_type=newString();
29.Stringline=value.toString();
30.inti=0;
31.while(line.charAt(i)!=''){
32.i++;
33.}
34.String[]values={line.substring(0,i),line.substring(i+1)};
35.if(values[0].compareTo("child")!=0){
36.child_name=values[0];
37.parent_name=values[1];
38.relation_type="1";//左右表区分标志
39.context.write(newText(values[1]),newText(relation_type+"+"+child_name+"+"+parent_name));
40.//左表
41.relation_type="2";
42.context.write(newText(values[0]),newText(relation_type+"+"+child_name+"+"+parent_name));
43.//右表
44.}
45.}
46.}
47.
48.publicstaticclassReduceextendsReducer{
49.publicvoidreduce(Textkey,Iterablevalues,Contextcontext)throwsIOException,InterruptedException{
50.if(time==0){//输出表头
51.context.write(newText("grand_child"),newText("grand_parent"));
52.time++;
53.}
54.intgrand_child_num=0;
55.Stringgrand_child[]=newString[10];
56.intgrand_parent_num=0;
57.Stringgrand_parent[]=newString[10];
58.Iteratorite=values.iterator();
59.while(ite.hasNext()){
60.Stringrecord=ite.next().toString();
61.intlen=record.length();
62.inti=2;
63.if(len==0)continue;
64.charrelation_type=record.charAt(0);
65.Stringchild_name=newString();
66.Stringparent_name=newString();
67.//获取value-list中value的child
68.
69.while(record.charAt(i)!='+'){
70.child_name=child_name+record.charAt(i);
71.i++;
72.}
73.i=i+1;
74.//获取value-list中value的parent
75.while(i");
107.System.exit(2);
108.}
109.Jobjob=Job.getInstance(conf,"Singletablejoin");
110.job.setJarByClass(simple_data_mining.class);
111.job.setMapperClass(Map.class);
112.job.setReducerClass(Reduce.class);
113.job.setOutputKeyClass(Text.class);
114.job.setOutputValueClass(Text.class);
115.FileInputFormat.addInputPath(job,newPath(otherArgs[0]));
116.FileOutputFormat.setOutputPath(job,newPath(otherArgs[1]));
117.System.exit(job.waitForCompletion(true)?0:1);
118.}
119.}

运行结果：

图4：简单文件信息挖掘运行结果

出现的问题：

1、做第一个实验的时候，输出文件的内容是一长串文本：Apache License 2.0

图5：第一个实验文件合并去重输出结果

2、做第二个实验的时候忘记删除output输出文件夹导致程序运行报错

图6：第二个实验java程序运行报错

3、做第二个实验的时候,删除了output输出文件夹依然有报错：For input string = “”

图7：第二个实验java程序运行报错信息

解决方案（列出遇到的问题和解决办法，列出没有解决的问题）：

1、

图8：第一个实验的输入文件夹input当中的内容

上传输入文本到HDFS的时候，input文件夹还遗留了一个文本LICENSE.txt文件没有删除，导致这三个文本进行了合并操作，删除该文件后再运行java程序输出结果正确。

2、

再次运行程序，如果不删除上一次运行结束后的输出文件夹，就报错，每次手动去删除输出文件夹简直太麻烦了。在run()方法或者main()方法（视个人程序结构而定）中加入如下代码就可以让程序在运行时先自动删除与设定的输出文件夹同名的文件夹。

1.Pathin=newPath(args1[0]);
2.Pathout=newPath(args1[1]);
3.FileSystemfileSystem=FileSystem.get(newURI(in.toString()),newConfiguration());
4.if(fileSystem.exists(out)){
5.fileSystem.delete(out,true);
6.}

希望大家适当的利用。

服务器托管，北京服务器托管，服务器租用 http://www.fwqtg.net

相关推荐: Linux 下最主流的文件系统格式——ext

硬盘分成相同大小的单元，我们称为块（Block）。一块的大小是扇区大小的整数倍，默认是 4K。在格式化的时候，这个值是可以设定的。 一大块硬盘被分成了一个个小的块，用来存放文件的数据部分。这样一来，如果我们像存放一个文件，就不用给他分配一块连续的空间了。我们可…

服务器托管，北京服务器托管，服务器租用，机房机柜带宽租用

服务器托管

咨询：董先生

电话13051898268 QQ/微信93663045！

上一篇:
下一篇: