hadoop之多job串联(倒排索引案例)(15)

本文涉及的产品
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
简介: hadoop之多job串联(倒排索引案例)(15)

需求


需求:有大量的文本(文档、网页),需要建立搜索索引


原始数据


a.txt


map
reduce
MapReduce
index Inverted index
Inverted index
倒排索引
大数据
hadoop MapReduce hdfs
Inverted index
在这里插入代码片


b.txt


hadoop MapReduce hdfs
Inverted index
倒排索引
大数据
map
reduce
MapReduce


c.txt


Inverted index
倒排索引
大数据
hadoop MapReduce hdfs
Inverted index
hadoop MapReduce hdfs
Inverted index
map
reduce
MapReduce


期待的结果:


Inverted  b.txt--->1  a.txt--->3  c.txt--->3  
MapReduce a.txt--->2  b.txt--->2  c.txt--->3  
hadoop  a.txt--->1  b.txt--->1  c.txt--->2  
hdfs  a.txt--->1  b.txt--->1  c.txt--->2  
index b.txt--->1  c.txt--->3  a.txt--->4  
map a.txt--->1  b.txt--->1  c.txt--->1  
reduce  a.txt--->1  b.txt--->1  c.txt--->1  
倒排索引  a.txt--->1  b.txt--->1  c.txt--->1  
大数据 a.txt--->1  b.txt--->1  c.txt--->1


思路


可以使用多job串联,用两个mapreduce任务,

第一次处理预期期望结果


Inverted--a.txt 3
Inverted--b.txt 1
Inverted--c.txt 3
MapReduce--a.txt  2
MapReduce--b.txt  2
MapReduce--c.txt  3
hadoop--a.txt 1
hadoop--b.txt 1
hadoop--c.txt 2
hdfs--a.txt 1
hdfs--b.txt 1
hdfs--c.txt 2
index--a.txt  4
index--b.txt  1
index--c.txt  3
map--a.txt  1
map--b.txt  1
map--c.txt  1
reduce--a.txt 1
reduce--b.txt 1
reduce--c.txt 1
倒排索引--a.txt 1
倒排索引--b.txt 1
倒排索引--c.txt 1
大数据--a.txt  1
大数据--b.txt  1
大数据--c.txt  1


第二次预期输出结果

刚才的最终结果。


码代码


0.封装一个测试类


package com.hfl.driver;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
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 java.io.IOException;
import java.net.URI;
import java.net.URISyntaxException;
public class  Drive {
    /**
     * 主类
     * @param object 主类
     * @param mymap map类
     * @param mymapkey map输入key
     * @param mymapvalue map输出value
     * @param args1 FileInputFormat输入路径
     * @param args2 FileOutputFormat输出路径
     * @param num reduce个数
     * @param args3 加载缓存的路径
     *            * */
    public static void run(Class<?> object,Class<? extends Mapper> mymap,Class<?> mymapkey,Class<?> mymapvalue,int num,String args1,String args2,String args3) throws IOException, ClassNotFoundException, InterruptedException, URISyntaxException {
        // 1 获取job信息
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf);
        // 2 加载jar包
        job.setJarByClass(object);
        // 3 关联map和reduce
        job.setMapperClass(mymap);
        // 4 设置最终输出类型
        job.setMapOutputKeyClass(mymapkey);
        job.setMapOutputValueClass(mymapvalue);
        //缓存小表的数据
        job.addCacheArchive(new URI(args3));
        // 设置reducetask个数为0
        job.setNumReduceTasks(num);
        //判断输出路径是否存在
        Path path = new Path(args2);
        FileSystem fs = FileSystem.get(conf);
        if(fs.exists(path)) {
            fs.delete(path, true);
        }
        // 5 设置输入和输出路径
        FileInputFormat.setInputPaths(job, new Path(args1));
        FileOutputFormat.setOutputPath(job, new Path(args2));
        // 6 提交
        job.waitForCompletion(true);
    }
    /**
     * 主类
     * @param object 主类
     * @param mymap map类
     * @param mymapkey map输入key
     * @param mymapvalue map输出value
     * @param args1 输入路径
     * @param args2 输出路径
     * @param myreduce reduce
     * @param myreducekey reduce-key
     * @param myreducevalue reduce-value
     * */
    public static void run(Class<?> object, Class<? extends Mapper> mymap, Class<?> mymapkey, Class<?> mymapvalue, Class<? extends Reducer> myreduce, Class<?> myreducekey, Class<?> myreducevalue, String args1, String args2) throws IOException, ClassNotFoundException, InterruptedException, URISyntaxException {
        // 1 获取job信息
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf);
        // 2 加载jar包
        job.setJarByClass(object);
        // 3 关联map和reduce
        job.setMapperClass(mymap);
        // 4 设置最终输出类型
        job.setMapOutputKeyClass(mymapkey);
        job.setMapOutputValueClass(mymapvalue);
        // 设置reduce
        job.setReducerClass(myreduce);
        job.setOutputKeyClass(myreducekey);
        job.setOutputValueClass(myreducevalue);
        //判断输出路径是否存在
        Path path = new Path(args2);
        FileSystem fs = FileSystem.get(conf);
        if(fs.exists(path)) {
            fs.delete(path, true);
        }
        // 5 设置输入和输出路径
        FileInputFormat.setInputPaths(job, new Path(args1));
        FileOutputFormat.setOutputPath(job, new Path(args2));
        // 6 提交
        job.waitForCompletion(true);
    }
}


1.job1


package com.hfl.index;
import com.hfl.driver.Drive;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileSplit;
import java.io.IOException;
import java.net.URISyntaxException;
public class Index1 {
    public static void main(String[] args) throws ClassNotFoundException, URISyntaxException, InterruptedException, IOException {
        args = new String[]{"F:\\input\\index", "F:\\input\\index1"};
        Drive.run(Index1.class,Index1Map.class, Text.class,IntWritable.class,Index1Reduce.class, Text.class, IntWritable.class,args[0],args[1]);
    }
}
//map
class Index1Map extends Mapper<LongWritable, Text, Text, IntWritable> {
    Text k = new Text();
    IntWritable v = new IntWritable();
    String name;
    /**
     * 初始化获取文件的名字
     * */
    @Override
    protected void setup(Context context) throws IOException, InterruptedException {
        FileSplit inputSplit =(FileSplit) context.getInputSplit();
        name = inputSplit.getPath().getName();
    }
    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        //获取数据 index Inverted index
        String line = value.toString();
        //切分数据
        String[] split = line.split(" ");
        for (String s:split){
            k.set(s+"--"+name);
            v.set(1);
            context.write(k,v);
        }
    }
}
//word---a.txt (1,1..)
class Index1Reduce extends Reducer<Text, IntWritable, Text, IntWritable> {
    IntWritable v = new IntWritable();
    @Override
    protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
        //初始化计数器
        int count = 0;
        for (IntWritable iw: values){
            count += iw.get();
        }
        v.set(count);
        context.write(key, v);
    }
}


得到的结果:


5d4c6812c8535adbb050f4ddf2e1bce8.png


2.job2


package com.hfl.index;
import com.hfl.driver.Drive;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
import java.net.URISyntaxException;
public class Index2 {
    public static void main(String[] args) throws ClassNotFoundException, URISyntaxException, InterruptedException, IOException {
        args = new String[]{"F:\\input\\index1", "F:\\input\\index2"};
        Drive.run(Index2.class,Index2Map.class, Text.class,Text.class,Index2Recuce.class, Text.class, Text.class,args[0],args[1]);
    }
}
//map
class Index2Map extends Mapper<LongWritable, Text, Text, Text>{
    Text k = new Text();
    Text v = new Text();
    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        String s = value.toString();
        String[] split = s.split("--");
        k.set(split[0]);
        v.set(split[1]);
        context.write(k, v);
    }
}
//大数据 (c.txt  1, b.txt  1,c.txt 1)
class Index2Recuce extends Reducer<Text, Text, Text, Text> {
    Text k = new Text();
    Text v = new Text();
    @Override
    protected void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {
        StringBuilder sb = new StringBuilder();
        for (Text t: values){
            String s = t.toString();
            String[] split = s.split("\t");
            sb.append(split[0] + "--->"+ split[1]+"\t");
        }
        k.set(key);
        v.set(sb.toString());
        context.write(k, v);
    }
}

运行结果:

46a9d80a6e05e4e3b19d57a0ee70bcdf.png

66ba272a0bfc97be54a5fa679e3d5482.png


优化多job串联


写一个main测试类,在一个main里面写2个job

package com.hfl.index;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapred.jobcontrol.JobControl;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.jobcontrol.ControlledJob;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import java.io.IOException;
public class IndexMain {
    public static void main(String[] args) throws IOException, InterruptedException {
        args = new String[]{"F:\\input\\index","F:\\input\\index1","F:\\input\\index2"};
        Configuration conf = new Configuration();
        Job job1 = Job.getInstance(conf);
        job1.setMapperClass(Index1Map.class);
        job1.setReducerClass(Index1Reduce.class);
        job1.setMapOutputKeyClass(Text.class);
        job1.setMapOutputValueClass(IntWritable.class);
        job1.setOutputKeyClass(Text.class);
        job1.setOutputValueClass(IntWritable.class);
        //判断输出路径是否存在
        Path path = new Path(args[1]);
        FileSystem fs = FileSystem.get(conf);
        if(fs.exists(path)) {
            fs.delete(path, true);
        }
        FileInputFormat.setInputPaths(job1, new Path(args[0]));
        FileOutputFormat.setOutputPath(job1, path);
        Job job2 = Job.getInstance(conf);
        job2.setMapperClass(Index2Map.class);
        job2.setReducerClass(Index2Recuce.class);
        job2.setMapOutputKeyClass(Text.class);
        job2.setMapOutputValueClass(Text.class);
        job2.setOutputKeyClass(Text.class);
        job2.setOutputValueClass(Text.class);
        //判断输出路径是否存在
        Path path1 = new Path(args[2]);
        if(fs.exists(path1)) {
            fs.delete(path1, true);
        }
        FileInputFormat.setInputPaths(job2, new Path(args[1]));
        FileOutputFormat.setOutputPath(job2, path1);
        //分别创建两个controlledJob对象,处理两个mapreduce程序。
        ControlledJob ajob = new ControlledJob(job1.getConfiguration());
        ControlledJob bjob = new ControlledJob(job2.getConfiguration());
        //创建一个管理组control,用于管理创建的controlledJob对象,自定义组名
        JobControl control = new JobControl("hfl");
        //两个任务的关联方式
        bjob.addDependingJob(ajob);
        //addJob方法添加进组
        control.addJob(ajob);
        control.addJob(bjob);
        //设置线程对象来启动job。通过start方法。
        Thread thread = new Thread(control);
        thread.start();
/*往往会出现job线程还在执行,而main线程已经结束。
因此我们需要加上下面这一行代码,通过判断job线程是否执行完毕,
来决定是否退出jvm。通常job线程执行时间较长,
因此我们让当前线程(main线程)在发现job线程没结束的情况下,稍微等他一秒钟
 */
        while(!control.allFinished()){
            Thread.sleep(1000);
        }
        System.exit(0);
    }
}

结果和原来一样。


至此,大功告成!


相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps&nbsp;
相关文章
|
6月前
|
分布式计算 大数据 Scala
【大数据技术Hadoop+Spark】Spark RDD创建、操作及词频统计、倒排索引实战(超详细 附源码)
【大数据技术Hadoop+Spark】Spark RDD创建、操作及词频统计、倒排索引实战(超详细 附源码)
301 1
|
1月前
|
分布式计算 NoSQL Java
Hadoop-32 ZooKeeper 分布式锁问题 分布式锁Java实现 附带案例和实现思路代码
Hadoop-32 ZooKeeper 分布式锁问题 分布式锁Java实现 附带案例和实现思路代码
43 2
|
2月前
|
分布式计算 Hadoop Devops
Hadoop集群配置https实战案例
本文提供了一个实战案例,详细介绍了如何在Hadoop集群中配置HTTPS,包括生成私钥和证书文件、配置keystore和truststore、修改hdfs-site.xml和ssl-client.xml文件,以及重启Hadoop集群的步骤,并提供了一些常见问题的故障排除方法。
78 3
Hadoop集群配置https实战案例
|
6月前
|
存储 分布式计算 监控
Hadoop【基础知识 01+02】【分布式文件系统HDFS设计原理+特点+存储原理】(部分图片来源于网络)【分布式计算框架MapReduce核心概念+编程模型+combiner&partitioner+词频统计案例解析与进阶+作业的生命周期】(图片来源于网络)
【4月更文挑战第3天】【分布式文件系统HDFS设计原理+特点+存储原理】(部分图片来源于网络)【分布式计算框架MapReduce核心概念+编程模型+combiner&partitioner+词频统计案例解析与进阶+作业的生命周期】(图片来源于网络)
308 2
|
3月前
|
机器学习/深度学习 存储 分布式计算
Hadoop与机器学习的融合:案例研究
【8月更文第28天】随着大数据技术的发展,Hadoop已经成为处理大规模数据集的重要工具。同时,机器学习作为一种数据分析方法,在各个领域都有着广泛的应用。本文将介绍如何利用Hadoop处理大规模数据集,并结合机器学习算法来挖掘有价值的信息。我们将通过一个具体的案例研究——基于用户行为数据预测用户留存率——来展开讨论。
249 0
|
4月前
|
分布式计算 资源调度 监控
Hadoop中运行Job
【7月更文挑战第10天】
51 2
|
4月前
|
分布式计算 Hadoop 测试技术
|
6月前
|
分布式计算 数据可视化 Hadoop
大数据实战——基于Hadoop的Mapreduce编程实践案例的设计与实现
大数据实战——基于Hadoop的Mapreduce编程实践案例的设计与实现
|
6月前
|
分布式计算 监控 Hadoop
Hadoop【基础知识 02】【分布式计算框架MapReduce核心概念+编程模型+combiner&partitioner+词频统计案例解析与进阶+作业的生命周期】(图片来源于网络)
【4月更文挑战第3天】Hadoop【基础知识 02】【分布式计算框架MapReduce核心概念+编程模型+combiner&partitioner+词频统计案例解析与进阶+作业的生命周期】(图片来源于网络)
278 0
|
6月前
|
存储 Linux
[hadoop3.x]HDFS之银行海量转账数据分层案例(八)
[hadoop3.x]HDFS之银行海量转账数据分层案例(八)
132 1