hadoop程序MapReduce之DataDeduplication
2024-10-16 17:05:11
需求:去掉文件中重复的数据。
样板:data.log
2016-3-1 a
2016-3-2 b
2016-3-2 c
2016-3-2 b
输出结果: 2016-3-1 a
2016-3-2 b
2016-3-2 c
解决思路:取出一行数据,经过mapper处理后,利用MapReduce默认的将相同的key合并后交给reduce处理的原则,这样可以达到数据去重解决问题。
MapReduce分析设计:
Mapper分析设计:
1、<k1,v1>,k1代表:每行数据的行号,v1代表:一行数据。
2、<k2,v2>,k2代表:一行数据,v2代表:就这里可以设置为空值。
Reduce分析设计:
3、<k3,v3>,k3代表:相同的一行数据,v3代表:空值。
4、统计分析输出<k4,v4>,k4代表:相同的一行数据,v4代表:空值。
程序部分:
DataMapper类
package com.cn.DataDeduplication; import java.io.IOException; import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper; public class DataMapper extends Mapper<Object, Text, Text, Text>{
Text line = new Text();
@Override
protected void map(Object key, Text value, Context context)
throws IOException, InterruptedException {
line = value;
context.write(line, new Text(""));
}
}
DataReduce类
package com.cn.DataDeduplication; import java.io.IOException; import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer; public class DataReduce extends Reducer<Text, Text, Text, Text> {
@Override
protected void reduce(Text key, Iterable<Text> values, Context context)
throws IOException, InterruptedException {
context.write(key, new Text(""));
}
}
DataDeduplication类:
package com.cn.DataDeduplication; 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.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser; /**
* 数据去重
* @author root
*
*/
public class DataDeduplication {
public static void main(String[] args) throws Exception {
Configuration conf = new Configuration();
String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
if (otherArgs.length != 2) {
System.err.println("Usage: wordcount ");
System.exit(2);
}
//创建一个job
Job job = new Job(conf, "data deduplication"); //设置运行的jar
job.setJarByClass(DataDeduplication.class); //设置输入和输出文件路径
FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
FileOutputFormat.setOutputPath(job, new Path(otherArgs[1])); //设置mapper和reduce处理类
job.setMapperClass(DataMapper.class);
job.setReducerClass(DataReduce.class); //设置输出key-value数据类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(Text.class); //提交作业并等待它完成
System.exit(job.waitForCompletion(true) ? 0 : 1);
} }
补充一点:一个文件切分的时候按照默认64M的数据块原则,启动一个mapper进程。
举例说明:比如data.log有20M,会启动一个mapper进程,data1.log有80M,会将这个文件拆分成64M+16M,所有要启动2个Mapper进程,
最终这两个文件会启动3个mapper进程。
最新文章
- Twisted随笔
- 掷骰子-IOS新手项目练习(抱歉,由于个人原因,图片没显示,要源码的项目私聊)
- 学javascript必须要知道的事
- ThinkPHP添加模板时,犯的三个错
- javaScript动态参数
- hdu4781 Assignment For Princess(构造)
- 又见蒙特卡洛——python模拟解决三门问题
- Javacript中(function(){})() 与 (function(){}()) 区别 {转}
- VC远控(三)磁盘显示
- docker-compose模板文件参数说明
- Burpsuite 之intruder
- JAVA 实现 简单的 HTTP服务器
- apache2.4+php7.3.2+mysql5.7
- poj2893 M&#215;N puzzle
- LOG4NET用法(个人比较喜欢的用法)
- Elasticsearch日志分析系统
- java之获取资源文件
- 委托、事件、匿名方法、Lambda
- 鸟哥的Linux私房菜——第十九章:例行命令的建立
- 关于GO语言遇到illegal UTF-8 encoding 随手记录