MapReduce编程:数据过滤保存、UID 去重

简介: MapReduce编程:数据过滤保存、UID 去重


MapReduce编程:数据过滤保存、UID 去重

一、实验目标

  1. 熟练掌握Mapper类,Reducer类和main函数的编写
  2. 熟练掌握在本地测试方法
  3. 熟练掌握集群上进行分布式程序测试
  4. 掌握用户UID去重实现方法
  5. 掌握MapReduce数据过滤方法

二、实验要求及注意事项

  1. 给出每个实验的主要实验步骤、实现代码和测试效果截图。
  2. 对本次实验工作进行全面的总结分析。
  3. 所有程序需要本地测试和集群测试,给出相应截图。
  4. 建议工程名,类名或包名等做适当修改,显示个人学号或者姓名
  5. 注意:sogou.txt文件上传到HDFS

三、实验内容及步骤

实验任务1:数据过滤及保存,输入文件为搜狗日志文件(公共目录下数据文件/experiment/sogou.txt上传到HDFS的根目录),对输入的每行数据做判断,只把搜索的关键词中包含数字的用户uid和关键词输出到HDFS上。展示结果为成功过滤出搜索关键词包含数字的用户ID和其搜索的关键词,如图所示:

主要实现步骤和运行效果图:

(1)进入虚拟机并启动Hadoop集群,完成文件上传。

(2)启动Eclipse客户端,新建一个java工程;在该工程中创建package,导入jar包,完成环境配置,依次创建包、Mapper类,Reducer类和主类等;

(3)完成代码编写。

Map

package com.wjw.hadoop;
import java.io.IOException;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
public class WjwMap extends Mapper<Object, Text, Text, Text>{
    protected void map(Object key, Text value, Context context) throws IOException, InterruptedException{
        String [] str = value.toString().split("\t");
        if(str != null && str.length == 6){
            String keyword = str[2];
            String uid = str[1];
            if(keyword.matches(".*\\d+.*")){
                context.write(new Text(uid), new Text(keyword));
            }
        }
    }
}

Reduce

package com.wjw.hadoop;
import java.io.IOException;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
public class WjwReduce extends Reducer< Text, Text,  Text, Text>{
    protected void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException{
        for (Text val:values){
            context.write(key, val);
        }
    }
}

Main

package com.wjw.hadoop;
import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.NullWritable;
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;
public class WjwMain {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException{
        if(null == args || args.length != 2){
            System.err.println("<Usage>:WjwMain need <input> <output>");
            System.exit(1);
        }
        String in = args[0];
        String out = args[1];
        Configuration conf = new Configuration();
        Job job = new Job(conf, "WjwMain");
        job.setJarByClass(WjwMain.class);
        job.setMapperClass(WjwMap.class);
        job.setReducerClass(WjwReduce.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(Text.class);
        FileInputFormat.addInputPath(job, new Path(in));
        FileOutputFormat.setOutputPath(job, new Path(out));
        System.exit(job.waitForCompletion(true)?0:1);
    }
}

(4)测试程序,并查看输出结果。

实验任务2:使用mapreduce编程,统计sogou.txt文件中所有去重后的用户UID,实现效果如图1所示。2.MapReduce编程:UID去重,完成打印sogou日志中独立uid,展示的结果为sogou.txt文件中所有去重后的用户UID。实现效果如下图所示:

主要实现步骤和运行效果图:

(1)进入虚拟机并启动Hadoop集群,完成文件上传。

(2)启动Eclipse客户端,新建一个java工程;在该工程中创建package,导入jar包,完成环境配置,依次创建包、Mapper类,Reducer类和主类等;

(3)完成代码编写。

UidMap

package com.wjw.hadoop;
import java.io.IOException;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
public class WjwUidMap extends Mapper<Object, Text, Text, NullWritable>{
    protected void map(Object key, Text value, Context context) throws IOException, InterruptedException{
        String [] arr = value.toString().split("\t");
        String uid = arr[1];
        context.write(new Text(uid), NullWritable.get());
    }
}

UidReduce

package com.wjw.hadoop;
import java.io.IOException;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
public class WjwUidReduce extends Reducer< Text, NullWritable, Text, NullWritable>{
    protected void reduce(Text key, Iterable<NullWritable> values, Context context) throws IOException, InterruptedException{
        context.write(key, NullWritable.get());
    }
}

UidMain

package com.wjw.hadoop;
import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.NullWritable;
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;
public class WjwUidMain {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException{
        if(null == args || args.length != 2){
            System.err.println("<Usage>:WjwUidMain need <input> <output>");
            System.exit(1);
        }
        String in = args[0];
        String out = args[1];
        Configuration conf = new Configuration();
        Job job = new Job(conf, "WjwUidMain");
        job.setJarByClass(WjwUidMain.class);
        job.setMapperClass(WjwUidMap.class);
        job.setReducerClass(WjwUidReduce.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(NullWritable.class);
        FileInputFormat.addInputPath(job, new Path(in));
        FileOutputFormat.setOutputPath(job, new Path(out));
        System.exit(job.waitForCompletion(true)?0:1);
    }
}

(4)测试程序,并查看输出结果。

实验任务3:使用Java API编程实现创建一个目录,删除一个目录,读文件和两个写文件的函数,其中一个写文件函数,用于将磁盘文件内容写入到HDFS一个自定义文件中,另一个写文件函数,将HDFS中一个目录下的文件内容写入到HDFS中另一个目录文件中。文件名字自拟。要求将所有函数封装到同一个类中,在主函数中调用,进行测试。

主要实现步骤和运行效果图:

(1)进入虚拟机并启动Hadoop集群,完成文件上传。

(2)启动Eclipse客户端,新建一个java工程;在该工程中创建package,导入jar包,完成环境配置,依次创建包、Mapper类,Reducer类和主类等;

(3)完成代码编写。

Main

package hadoop;
import java.io.BufferedInputStream; 
import java.io.FileInputStream;
import java.io.IOException; 
import java.net.URI;
import org.apache.hadoop.conf.Configuration; 
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FSDataOutputStream;
import org.apache.hadoop.fs.FileSystem; 
import org.apache.hadoop.fs.Path; 
import org.apache.hadoop.io.IOUtils;
public class WjwFile {
public static void Read(String[] args) throws IOException {
    Configuration conf = new Configuration();
    conf.set("fs.defaultFS", "hdfs://master:9000");
    FileSystem fs = null;
    FSDataInputStream in =null;
    fs = FileSystem.get(conf);
    in = fs.open(new Path(args[2]));
    IOUtils.copyBytes(in, System.out, 4096, false);
}
public static void Write1(String[] args) throws IOException {
    Configuration conf = new Configuration();
    BufferedInputStream in = null;
    FileSystem fs = null;
    FSDataOutputStream out = null;
    in = new BufferedInputStream(new FileInputStream(args[1]));
    fs = FileSystem.get(URI.create(args[2]), conf);
    out = fs.create(new Path(args[2]));
    IOUtils.copyBytes(in, out, 4096, false);
}
public static void Write2(String[] args) throws IOException {
    Configuration conf = new Configuration();
    BufferedInputStream in = null;
    FileSystem fs = null;
    FSDataOutputStream out = null;
    Path path = new Path(args[2]);
    fs = FileSystem.get(URI.create(args[3]), conf);
    in = new BufferedInputStream(fs.open(path));
    out = fs.create(new Path(args[3]));
    IOUtils.copyBytes(in, out, 4096, false);
}
public static void Mkdir(String[] args) throws IOException {
    Configuration conf = new Configuration();
    FileSystem fs = null;
    fs = FileSystem.get(URI.create(args[0]), conf);
    fs.mkdirs(new Path(args[0]));
}
public static void Delete(String[] args) throws IOException {
    Configuration conf = new Configuration();
    FileSystem fs = null;
    fs = FileSystem.get(URI.create(args[0]), conf);
    fs.delete(new Path(args[0]), true);
}
public static void main(String[] args) throws IOException{
    Mkdir(args);
    System.out.println("Directory created.");
    Write1(args);
    System.out.println("File1 written.");
    Read(args);
    System.out.println("File read.");
    Write2(args);
    System.out.println("File2 written.");
    Delete(args);
    System.out.println("Directory deleted.");
    }
}

(4)测试程序,并查看输出结果。

目录
相关文章
|
5天前
|
存储 分布式计算 算法
【底层服务/编程功底系列】「大数据算法体系」带你深入分析MapReduce算法 — Shuffle的执行过程
【底层服务/编程功底系列】「大数据算法体系」带你深入分析MapReduce算法 — Shuffle的执行过程
30 0
|
5天前
|
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
45 0
|
5天前
|
分布式计算 并行计算 Java
【分布式计算框架】 MapReduce编程初级实践
【分布式计算框架】 MapReduce编程初级实践
9 2
|
5天前
|
SQL 分布式计算 数据可视化
数据分享|Python、Spark SQL、MapReduce决策树、回归对车祸发生率影响因素可视化分析
数据分享|Python、Spark SQL、MapReduce决策树、回归对车祸发生率影响因素可视化分析
|
5天前
|
机器学习/深度学习 分布式计算 监控
面经:MapReduce编程模型与优化策略详解
【4月更文挑战第10天】本文是关于MapReduce在大数据处理中的关键作用的博客摘要。作者分享了面试经验,强调了MapReduce的基本原理、Hadoop API、优化策略和应用场景。MapReduce包含Map和Reduce两个主要阶段,Map阶段处理输入数据生成中间键值对,Reduce阶段进行聚合计算。面试重点包括理解MapReduce工作流程、使用Hadoop API编写Map/Reduce函数、选择优化策略(如分区、Combiner和序列化)以及应用场景,如日志分析和机器学习。
23 2
|
5天前
|
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)
60 0
|
5天前
|
分布式计算
如何在MapReduce中处理非结构化数据?
如何在MapReduce中处理非结构化数据?
30 0
|
5天前
|
分布式计算 Java Hadoop
MapReduce编程:检索特定群体搜索记录和定义分片操作
MapReduce编程:检索特定群体搜索记录和定义分片操作
32 0
|
5天前
|
分布式计算 Hadoop
Hadoop系列 mapreduce 原理分析
Hadoop系列 mapreduce 原理分析
42 1
|
5天前
|
存储 分布式计算 负载均衡
【大数据技术Hadoop+Spark】MapReduce概要、思想、编程模型组件、工作原理详解(超详细)
【大数据技术Hadoop+Spark】MapReduce概要、思想、编程模型组件、工作原理详解(超详细)
71 0