网站首页设计过程,服务外包公司是干什么的,wordpress摘要开启,一个域名可以绑定几个网站文章目录 一、实战概述二、提出任务三、完成任务#xff08;一#xff09;准备数据文件1、在虚拟机上创建文本文件2、上传文件到HDFS指定目录 #xff08;二#xff09;实现步骤1、Map阶段实现#xff08;1#xff09;创建Maven项目#xff08;2#xff09;添加相关依赖… 文章目录 一、实战概述二、提出任务三、完成任务一准备数据文件1、在虚拟机上创建文本文件2、上传文件到HDFS指定目录 二实现步骤1、Map阶段实现1创建Maven项目2添加相关依赖3创建日志属性文件4创建去重映射器类 2、Reduce阶段实现创建去重归并器类 3、Driver程序主类实现创建去重驱动器类 4、运行去重驱动器类查看结果 四、拓展练习一原始问题二简单化处理 一、实战概述 本次实战任务目标是使用Hadoop MapReduce技术对两个包含重复数据的文本文件file1.txt和file2.txt进行去重操作并将结果汇总到一个文件。首先启动Hadoop服务然后在虚拟机上创建这两个文本文件并上传到HDFS的/dedup/input目录。 在Map阶段我们创建自定义Mapper类DeduplicateMapper将TextInputFormat默认组件解析的键值对修改为需要去重的数据作为keyvalue设为空。在Reduce阶段我们创建自定义Reducer类DeduplicateReducer直接复制输入的key作为输出的key利用MapReduce默认机制对key即文件中的每行内容进行自动去重。 我们还编写MapReduce程序运行主类DeduplicateDriver设置工作任务的相关参数对HDFS上/dedup/input目录下的源文件进行去重处理并将结果输出到HDFS的/dedup/output目录。最后运行DeduplicateDriver类查看并下载结果文件确认去重操作成功完成。此实战任务展示如何运用Hadoop MapReduce进行大数据处理和去重操作提升我们对分布式计算的理解和应用能力。
二、提出任务 文件file1.txt本身包含重复数据并且与file2.txt同样出现重复数据现要求使用Hadoop大数据相关技术对以上两个文件进行去重操作并最终将结果汇总到一个文件中。 编写MapReduce程序在Map阶段采用Hadoop默认作业输入方式后将key设置为需要去重的数据而输出的value可以任意设置为空。 在Reduce阶段不需要考虑每一个key有多少个value可以直接将输入的key复制为输出的key而输出的value可以任意设置为空这样就会使用MapReduce默认机制对key也就是文件中的每行内容自动去重。
三、完成任务
一准备数据文件
启动hadoop服务
1、在虚拟机上创建文本文件
创建两个文本文件 - file1.txt、file2.txt
2、上传文件到HDFS指定目录 创建/dedup/input目录执行命令hdfs dfs -mkdir -p /dedup/input 将两个文本文件 file1.txt与file2.txt上传到HDFS的/dedup/input目录
二实现步骤
1、Map阶段实现
使用IntelliJ开发工具创建Maven项目Deduplicate并且新创建net.hw.mr包在该路径下编写自定义Mapper类DeduplicateMapper主要用于读取数据集文件将TextInputFormat默认组件解析的类似02022-11-1 a 键值对修改为2022-11-1 anull。
1创建Maven项目
Maven项目 - Deduplicate 单击【Finish】按钮
2添加相关依赖
在pom.xml文件里添加hadoop和junit依赖
dependencies !--hadoop客户端-- dependency groupIdorg.apache.hadoop/groupId artifactIdhadoop-client/artifactId version3.3.4/version /dependency !--单元测试框架-- dependency groupIdjunit/groupId artifactIdjunit/artifactId version4.13.2/version /dependency
/dependencies 3创建日志属性文件
在resources目录里创建log4j.properties文件
log4j.rootLoggerINFO, stdout, logfile
log4j.appender.stdoutorg.apache.log4j.ConsoleAppender
log4j.appender.stdout.layoutorg.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern%d %p [%c] - %m%n
log4j.appender.logfileorg.apache.log4j.FileAppender
log4j.appender.logfile.Filetarget/deduplicate.log
log4j.appender.logfile.layoutorg.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern%d %p [%c] - %m%n4创建去重映射器类
创建net.hw.mr包在包里创建DeduplicateMapper类
package net.hw.mr;import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;import java.io.IOException;/*** 功能去重映射器类* 作者华卫* 日期2022年11月30日*/
public class DeduplicateMapper extends MapperLongWritable, Text, Text, NullWritable {private static Text field new Text();// 0,2022-11-3 c -- 2022-11-3 c,nullOverrideprotected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {field value;context.write(field, NullWritable.get());}
}2、Reduce阶段实现
根据Map阶段的输出结果形式同样在net.hw.mr包下自定义Reducer类DeduplicateReducer主要用于接受Map阶段传递来的数据根据Shuffle工作原理键值key相同的数据就会被合并因此输出数据就不会出现重复数据了。
创建去重归并器类
在net.hw.mr包里创建DeduplicateReducer类
package net.hw.mr;import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;import java.io.IOException;/*** 功能去重归并器类* 作者华卫* 日期2022年11月30日*/
public class DeduplicateReducer extends ReducerText, NullWritable, Text, NullWritable {// 2022-11-3 c,null 2022-11-4 d,null2022-11-4 d,nullOverrideprotected void reduce(Text key, IterableNullWritable values, Context context)throws IOException, InterruptedException {context.write(key, NullWritable.get());}
}3、Driver程序主类实现
编写MapReduce程序运行主类DeduplicateDriver主要用于设置MapReduce工作任务的相关参数对HDFS上/dedup/input目录下的源文件实现去重并将结果输入到HDFS的/dedup/output目录下。
创建去重驱动器类
在net.hw.mr包里创建DeduplicateDriver类
package net.hw.mr;import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
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;import java.net.URI;/*** 功能去重驱动器类* 作者华卫* 日期2022年11月30日*/
public class DeduplicateDriver {public static void main(String[] args) throws Exception {// 创建配置对象Configuration conf new Configuration();// 设置数据节点主机名属性conf.set(dfs.client.use.datanode.hostname, true);// 获取作业实例Job job Job.getInstance(conf);// 设置作业启动类job.setJarByClass(DeduplicateDriver.class);// 设置Mapper类job.setMapperClass(DeduplicateMapper.class);// 设置map任务输出键类型job.setMapOutputKeyClass(Text.class);// 设置map任务输出值类型job.setMapOutputValueClass(NullWritable.class);// 设置Reducer类job.setReducerClass(DeduplicateReducer.class);// 设置reduce任务输出键类型job.setOutputKeyClass(Text.class);// 设置reduce任务输出值类型job.setOutputValueClass(NullWritable.class);// 定义uri字符串String uri hdfs://master:9000;// 创建输入目录Path inputPath new Path(uri /dedup/input);// 创建输出目录Path outputPath new Path(uri /dedup/output);// 获取文件系统FileSystem fs FileSystem.get(new URI(uri), conf);// 删除输出目录fs.delete(outputPath, true);// 给作业添加输入目录FileInputFormat.addInputPath(job, inputPath);// 给作业设置输出目录FileOutputFormat.setOutputPath(job, outputPath);// 等待作业完成job.waitForCompletion(true);// 输出统计结果System.out.println(统计结果);FileStatus[] fileStatuses fs.listStatus(outputPath);for (int i 1; i fileStatuses.length; i) {// 输出结果文件路径System.out.println(fileStatuses[i].getPath());// 获取文件输入流FSDataInputStream in fs.open(fileStatuses[i].getPath());// 将结果文件显示在控制台IOUtils.copyBytes(in, System.out, 4096, false);}}
}4、运行去重驱动器类查看结果
运行DeduplicateDriver类 下载结果文件 - part-r-00000 查看结果文件 - part-r-00000
四、拓展练习
形式单独完成题目实现数据去重要求让学生自己按照步骤实现数据去重的功能以此来巩固本节的学习内容。写一篇CSDN博客记录操作过程。
一原始问题
某人今天访问很多不同的网站移动或电信日志都会记录在案有些网站访问次数多有些网站访问次数少此人今天访问了多少个不同的网站
二简单化处理
假如有如下一些IP地址分别保存在三个文件里如何去掉重复地址ips01.txt
192.168.234.21
192.168.234.22
192.168.234.21
192.168.234.21
192.168.234.23
192.168.234.21
192.168.234.21
192.168.234.21ips02.txt
192.168.234.25
192.168.234.21
192.168.234.21
192.168.234.26
192.168.234.21
192.168.234.27
192.168.234.21
192.168.234.27
192.168.234.21ips03.txt
192.168.234.29
192.168.234.21
192.168.234.26
192.168.234.21
192.168.234.25
192.168.234.25
192.168.234.21
192.168.234.22
192.168.234.21
