当前位置:   article > 正文

大数据技术Hadoop -- MapReduce初级编程实践_大数据实验mapreduce编程实现文件合并和去重操作

大数据实验mapreduce编程实现文件合并和去重操作

一、实验目的

(1)通过实验掌握基本的MapReduce编程方法;

(2)掌握用MapReduce解决一些常见的数据处理问题,包括数据去重、数据排序和数据挖掘等。

二、实验平台

(1)操作系统:Linux(建议Ubuntu16.04或Ubuntu18.04

(2)Hadoop版本:3.1.3

三、实验内容


(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:

20170101     x

20170102     y

20170103     x

20170104     y

20170105     z

20170106     x

输入文件B的样例如下:

20170101      y

20170102      y

20170103      x

20170104      z

20170105      y

根据输入文件A和B合并得到的输出文件C的样例如下:

20170101      x

20170101      y

20170102      y

20170103      x

20170104      y

20170104      z

20170105      y

20170105      z

20170106      x

(二)编写程序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

8 37

9 39

10 40

11 45

(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:

child          parent

Steven        Lucy

Steven        Jack

Jone         Lucy

Jone         Jack

Lucy         Mary

Lucy         Frank

Jack         Alice

Jack         Jesse

David       Alice

David       Jesse

Philip       David

Philip       Alma

Mark       David

Mark       Alma

输出文件内容如下:

grandchild       grandparent

Steven          Alice

Steven          Jesse

Jone            Alice

Jone            Jesse

Steven          Mary

Steven          Frank

Jone            Mary

Jone            Frank

Philip           Alice

Philip           Jesse

Mark           Alice

Mark           Jesse

四、实验过程、内容

(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。

  1. // 进入 Hadoop 安装目录,启动 hadoop:
  2. cd /usr/local/hadoop
  3. sbin/start-dfs.sh
  4. // 新建文件夹,创建文件 A、B:
  5. sudo mkdir MapReduce && cd MapReduce
  6. sudo vim A 
  7. sudo vim B 

编写 Java 文件实现 MapReduce

sudo vim Merge.java

实现的 Java 代码如下:

  1. import java.io.IOException;
  2. import org.apache.hadoop.conf.Configuration;
  3. import org.apache.hadoop.fs.Path;
  4. import org.apache.hadoop.io.IntWritable;
  5. import org.apache.hadoop.io.Text;
  6. import org.apache.hadoop.mapreduce.Job;
  7. import org.apache.hadoop.mapreduce.Mapper;
  8. import org.apache.hadoop.mapreduce.Reducer;
  9. import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
  10. import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
  11. import org.apache.hadoop.util.GenericOptionsParser;
  12. public class Merge {
  13. /**
  14. * @param args
  15. * 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
  16. */
  17. //重载map函数,直接将输入中的value复制到输出数据的key上
  18. public static class Map extends Mapper<Object, Text, Text, Text>{
  19. private static Text text = new Text();
  20. public void map(Object key, Text value, Context context) throws IOException,InterruptedException{
  21. text = value;
  22. context.write(text, new Text(""));
  23. }
  24. }
  25. //重载reduce函数,直接将输入中的key复制到输出数据的key上
  26. public static class Reduce extends Reducer<Text, Text, Text, Text>{
  27. public void reduce(Text key, Iterable<Text> values, Context context ) throws IOException,InterruptedException{
  28. context.write(key, new Text(""));
  29. }
  30. }
  31. public static void main(String[] args) throws Exception{
  32. // TODO Auto-generated method stub
  33. Configuration conf = new Configuration();
  34. conf.set("fs.default.name","hdfs://localhost:9000");
  35. String[] otherArgs = new String[]{"input","output"}; /* 直接设置输入参数 */
  36. if (otherArgs.length != 2) {
  37. System.err.println("Usage: wordcount <in><out>");
  38. System.exit(2);
  39. }
  40. Job job = Job.getInstance(conf,"Merge and duplicate removal");
  41. job.setJarByClass(Merge.class);
  42. job.setMapperClass(Map.class);
  43. job.setCombinerClass(Reduce.class);
  44. job.setReducerClass(Reduce.class);
  45. job.setOutputKeyClass(Text.class);
  46. job.setOutputValueClass(Text.class);
  47. FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
  48. FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
  49. System.exit(job.waitForCompletion(true) ? 0 : 1);
  50. }
  51. }
  1. // 赋予用户相关权限:
  2. sudo chown -R hadoop /usr/local/hadoop
  3. // 添加编译所需要使用的 jar 包:
  4. vim ~/.bashrc
  5. // 添加下面一行到文件的最后:
  6. export HADOOP_HOME=/usr/local/hadoop
  7. export CLASSPATH=$($HADOOP_HOME/bin/hadoop classpath):$CLASSPATH 
  8. // 使更改立即生效:
  9. source ~/.bashrc
  10. // 编译 MergeSort.java:
  11. javac Merge.java
  12. // 打包生成的 class 文件为 jar 包:
  13. jar -cvf Merge.jar *.class
  14. // 创建 Hadoop 主目录为 /user/hadoop 并创建 input 文件夹:
  15. /usr/local/hadoop/bin/hdfs dfs -mkdir -p /user/hadoop
  16. /usr/local/hadoop/bin/hdfs dfs -mkdir input
  17. // 若 intput 已存在则删除原有文件:
  18. /usr/local/hadoop/bin/hdfs dfs -rm input/*
  19. // 上传 1、2 和 3 文件到 input 文件夹中:
  20. /usr/local/hadoop/bin/hdfs dfs -put ./A input
  21. /usr/local/hadoop/bin/hdfs dfs -put ./B input
  22. // 使用之前确保 output 文件夹不存在:
  23. /usr/local/hadoop/bin/hdfs dfs -rm -r output
  24. // 使用我们刚生成的 Merge.jar 包:
  25. /usr/local/hadoop/bin/hadoop jar Merge.jar Merge

查看输出结果:

/usr/local/hadoop/bin/hdfs dfs -cat output/*

输出如下:

(二)编写程序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。

进入 Hadoop 安装目录,启动 hadoop:

cd /usr/local/hadoop

sbin/start-dfs.sh

新建文件夹,创建文件 1、2 和 3

sudo mkdir Pritice2 && cd Pritice2

sudo vim 1 

sudo vim 2 

sudo vim 3

编写 Java 文件实现 MapReduce

sudo vim MergeSort.java

实现的 Java 代码如下:

  1. import java.io.IOException;
  2. import org.apache.hadoop.conf.Configuration;
  3. import org.apache.hadoop.fs.Path;
  4. import org.apache.hadoop.io.IntWritable;
  5. import org.apache.hadoop.io.Text;
  6. import org.apache.hadoop.mapreduce.Job;
  7. import org.apache.hadoop.mapreduce.Mapper;
  8. import org.apache.hadoop.mapreduce.Partitioner;
  9. import org.apache.hadoop.mapreduce.Reducer;
  10. import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
  11. import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
  12. import org.apache.hadoop.util.GenericOptionsParser;
  13. public class MergeSort {
  14. /**
  15. * @param args
  16. * 输入多个文件,每个文件中的每行内容均为一个整数
  17. * 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
  18. */
  19. //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
  20. public static class Map extends Mapper<Object, Text, IntWritable, IntWritable>{
  21. private static IntWritable data = new IntWritable();
  22. public void map(Object key, Text value, Context context) throws IOException,InterruptedException{
  23. String text = value.toString();
  24. data.set(Integer.parseInt(text));
  25. context.write(data, new IntWritable(1));
  26. }
  27. }
  28. //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
  29. public static class Reduce extends Reducer<IntWritable, IntWritable, IntWritable, IntWritable>{
  30. private static IntWritable line_num = new IntWritable(1);
  31. public void reduce(IntWritable key, Iterable<IntWritable> values, Context context) throws IOException,InterruptedException{
  32. for(IntWritable val : values){
  33. context.write(line_num, key);
  34. line_num = new IntWritable(line_num.get() + 1);
  35. }
  36. }
  37. }
  38. //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Partiton ID
  39. public static class Partition extends Partitioner<IntWritable, IntWritable>{
  40. public int getPartition(IntWritable key, IntWritable value, int num_Partition){
  41. int Maxnumber = 65223;//int型的最大数值
  42. int bound = Maxnumber/num_Partition+1;
  43. int keynumber = key.get();
  44. for (int i = 0; i<num_Partition; i++){
  45. if(keynumber<bound * (i+1) && keynumber>=bound * i){
  46. return i;
  47. }
  48. }
  49. return -1;
  50. }
  51. }
  52. public static void main(String[] args) throws Exception{
  53. // TODO Auto-generated method stub
  54. Configuration conf = new Configuration();
  55. conf.set("fs.default.name","hdfs://localhost:9000");
  56. String[] otherArgs = new String[]{"input","output"}; /* 直接设置输入参数 */
  57. if (otherArgs.length != 2) {
  58. System.err.println("Usage: wordcount <in><out>");
  59. System.exit(2);
  60. }
  61. Job job = Job.getInstance(conf,"Merge and sort");
  62. job.setJarByClass(MergeSort.class);
  63. job.setMapperClass(Map.class);
  64. job.setReducerClass(Reduce.class);
  65. job.setPartitionerClass(Partition.class);
  66. job.setOutputKeyClass(IntWritable.class);
  67. job.setOutputValueClass(IntWritable.class);
  68. FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
  69. FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
  70. System.exit(job.waitForCompletion(true) ? 0 : 1);
  71. }
  72. }

赋予用户相关权限:

sudo chown -R hadoop /usr/local/hadoop

添加编译所需要使用的 jar 包:

vim ~/.bashrc

添加下面一行到文件的最后:

export HADOOP_HOME=/usr/local/hadoop

export CLASSPATH=$($HADOOP_HOME/bin/hadoop classpath):$CLASSPATH 

使更改立即生效:

source ~/.bashrc

编译 MergeSort.java:

javac MergeSort.java

打包生成的 class 文件为 jar 包:

jar -cvf MergeSort.jar *.class

创建 Hadoop 主目录为 /user/hadoop 并创建 input 文件夹:

/usr/local/hadoop/bin/hdfs dfs -mkdir -p /user/hadoop

/usr/local/hadoop/bin/hdfs dfs -mkdir input

若 intput 已存在则删除原有文件:

/usr/local/hadoop/bin/hdfs dfs -rm input/*

上传 1、2 和 3 文件到 input 文件夹中:

/usr/local/hadoop/bin/hd代码fs dfs -put ./1 input

/usr/local/hadoop/bin/hdfs dfs -put ./2 input

/usr/local/hadoop/bin/hdfs dfs -put ./3 input

使用之前确保 output 文件夹不存在:

/usr/local/hadoop/bin/hdfs dfs -rm -r output

使用我们刚生成的 Merge.jar 包:

/usr/local/hadoop/bin/hadoop jar MergeSort.jar MergeSort

查看输出结果:

/usr/local/hadoop/bin/hdfs dfs -cat output/*

输出如下:

(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。

进入 Hadoop 安装目录,启动 hadoop:

cd /usr/local/hadoop

sbin/start-dfs.sh

新建文件夹,创建文件 1、2 和 3

sudo mkdir Pritice3 && cd Pritice3 

sudo vim child-parent 

编写 Java 文件实现 MapReduce

sudo vim simple_data_mining.java

实现的 Java 代码如下:

  1. import java.io.IOException;
  2. import java.util.*;
  3. import org.apache.hadoop.conf.Configuration;
  4. import org.apache.hadoop.fs.Path;
  5. import org.apache.hadoop.io.IntWritable;
  6. import org.apache.hadoop.io.Text;
  7. import org.apache.hadoop.mapreduce.Job;
  8. import org.apache.hadoop.mapreduce.Mapper;
  9. import org.apache.hadoop.mapreduce.Reducer;
  10. import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
  11. import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
  12. import org.apache.hadoop.util.GenericOptionsParser;
  13. public class simple_data_mining {
  14. public static int time = 0;
  15. /**
  16. * @param args
  17. * 输入一个child-parent的表格
  18. * 输出一个体现grandchild-grandparent关系的表格
  19. */
  20. //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
  21. public static class Map extends Mapper<Object, Text, Text, Text>{
  22. public void map(Object key, Text value, Context context) throws IOException,InterruptedException{
  23. String child_name = new String();
  24. String parent_name = new String();
  25. String relation_type = new String();
  26. String line = value.toString();
  27. int i = 0;
  28. while(line.charAt(i) != ' '){
  29. i++;
  30. }
  31. String[] values = {line.substring(0,i),line.substring(i+1)};
  32. if(values[0].compareTo("child") != 0){
  33. child_name = values[0];
  34. parent_name = values[1];
  35. relation_type = "1";//左右表区分标志
  36. context.write(new Text(values[1]), new Text(relation_type+"+"+child_name+"+"+parent_name));
  37. //左表
  38. relation_type = "2";
  39. context.write(new Text(values[0]), new Text(relation_type+"+"+child_name+"+"+parent_name));
  40. //右表
  41. }
  42. }
  43. }
  44. public static class Reduce extends Reducer<Text, Text, Text, Text>{
  45. public void reduce(Text key, Iterable<Text> values,Context context) throws IOException,InterruptedException{
  46. if(time == 0){ //输出表头
  47. context.write(new Text("grand_child"), new Text("grand_parent"));
  48. time++;
  49. }
  50. int grand_child_num = 0;
  51. String grand_child[] = new String[10];
  52. int grand_parent_num = 0;
  53. String grand_parent[]= new String[10];
  54. Iterator ite = values.iterator();
  55. while(ite.hasNext()){
  56. String record = ite.next().toString();
  57. int len = record.length();
  58. int i = 2;
  59. if(len == 0) continue;
  60. char relation_type = record.charAt(0);
  61. String child_name = new String();
  62. String parent_name = new String();
  63. //获取value-list中value的child
  64. while(record.charAt(i) != '+'){
  65. child_name = child_name + record.charAt(i);
  66. i++;
  67. }
  68. i=i+1;
  69. //获取value-list中value的parent
  70. while(i<len){
  71. parent_name = parent_name+record.charAt(i);
  72. i++;
  73. }
  74. //左表,取出child放入grand_child
  75. if(relation_type == '1'){
  76. grand_child[grand_child_num] = child_name;
  77. grand_child_num++;
  78. }
  79. else{//右表,取出parent放入grand_parent
  80. grand_parent[grand_parent_num] = parent_name;
  81. grand_parent_num++;
  82. }
  83. }
  84. if(grand_parent_num != 0 && grand_child_num != 0 ){
  85. for(int m = 0;m<grand_child_num;m++){
  86. for(int n=0;n<grand_parent_num;n++){
  87. context.write(new Text(grand_child[m]), new Text(grand_parent[n]));
  88. //输出结果
  89. }
  90. }
  91. }
  92. }
  93. }
  94. public static void main(String[] args) throws Exception{
  95. // TODO Auto-generated method stub
  96. Configuration conf = new Configuration();
  97. conf.set("fs.default.name","hdfs://localhost:9000");
  98. String[] otherArgs = new String[]{"input","output"}; /* 直接设置输入参数 */
  99. if (otherArgs.length != 2) {
  100. System.err.println("Usage: wordcount <in><out>");
  101. System.exit(2);
  102. }
  103. Job job = Job.getInstance(conf,"Single table join");
  104. job.setJarByClass(simple_data_mining.class);
  105. job.setMapperClass(Map.class);
  106. job.setReducerClass(Reduce.class);
  107. job.setOutputKeyClass(Text.class);
  108. job.setOutputValueClass(Text.class);
  109. FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
  110. FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
  111. System.exit(job.waitForCompletion(true) ? 0 : 1);
  112. }
  113. }

赋予用户相关权限:

sudo chown -R hadoop /usr/local/hadoop

添加编译所需要使用的 jar 包:

vim ~/.bashrc

添加下面一行到文件的最后:

export HADOOP_HOME=/usr/local/hadoop

export CLASSPATH=$($HADOOP_HOME/bin/hadoop classpath):$CLASSPATH 

使更改立即生效:

source ~/.bashrc

编译 MergeSort.java:

javac simple_data_mining.java

打包生成的 class 文件为 jar 包:

jar -cvf simple_data_mining.jar *.class

创建 Hadoop 主目录为 /user/hadoop 并创建 input 文件夹:

/usr/local/hadoop/bin/hdfs dfs -mkdir -p /user/hadoop

/usr/local/hadoop/bin/hdfs dfs -mkdir input

若 intput 已存在则删除原有文件:

/usr/local/hadoop/bin/hdfs dfs -rm input/*

上传 child-parent文件到 input 文件夹中:

/usr/local/hadoop/bin/hdfs dfs -put ./child-parent input

使用之前确保 output 文件夹不存在:

/usr/local/hadoop/bin/hdfs dfs -rm -r output

使用我们刚生成的 simple_data_mining.jar 包:

/usr/local/hadoop/bin/hadoop jar simple_data_mining.jar

simple_data_mining

查看输出结果:

/usr/local/hadoop/bin/hdfs dfs -cat output/*

输出如下:

五、实验结果(运行结果截图)

结果如上过程!!

六、实验心得和总结

(列出遇到的问题和解决办法,列出没有解决的问题,可以是个人相关知识点总结,要求150字以上)

问题一:编译Java文件时权限不够。

解决方案:

赋予用户相关权限:

sudo chown -R hadoop /usr/local/hadoop

问题二:打包生成的 class 文件为 jar 包在确保路径正确的条件下,还爆出路径错误。

解决方案:

添加编译所需要使用的 jar 包:

vim ~/.bashrc

添加下面一行到文件的最后:

export HADOOP_HOME=/usr/local/hadoop

export CLASSPATH=$($HADOOP_HOME/bin/hadoop classpath):$CLASSPATH 

使更改立即生效:

source ~/.bashrc

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/神奇cpp/article/detail/763505
推荐阅读
相关标签
  

闽ICP备14008679号