标签： 利用 hadoop mapreduce | 发表时间：2016-07-22 02:53 | 作者：
出处：http://m635674608.iteye.com
我们的需求是想统计一个文件中用IK分词后每个词出现的次数，然后按照出现的次数降序排列。也就是高频词统计。由于hadoop在reduce之后就不能对结果做什么了，所以只能分为两个job完成，第一个job统计次数，第二个job对第一个job的结果排序。 第一个job的就是hadoop最简单的例子countwords，我要说的是用hadoop对结果排序。 假设第一个job的结果输出如下：
part-r-0000文件内容： a 5 b 4 c 74 d 78 e 1 r 64 f 4要做的就是按照每个词出现的次数降序排列。
<!-- lang: lua --> **********************************分割线***************************************** 首先可能会出现这样的问题：1.可能上一个job为多个reduce，也就是会产生多个结果文件，因为一个reduce就会生成一个结果文件，结果存放在上一个job输出目录下类似part-r-00的文件里。
2.需要排序的文件内容很大，所以需要考虑多个reduce的情况。
<!-- lang: lua --> *********************************分割线******************************* 怎么去设计mapreduce1.在map阶段按照行读取文本，然后调用map方法时把上一个job的结果颠倒，也就是map后结果应该是这样的
<!-- lang: java --> 5 a 4 b 74 c ................ ......................... 4 f2.然后map后，hadoop会对结果进行分组，这时结果就会变成 <!-- lang: lua -->
(5：a) (4:b,f) (74:c)3.因为hadoop对数据分组后默认是按照key升序排序的，所以需要自定义排序函数将分组数据降序排序。
4.然后按照reduce数目的大小自定义分区函数，让结果形成多个区间，比如我认为大于50的应该在一个区间，一共3个reduce，那么最后的 数据应该是三个区间，大于50的直接分到第一个分区0，25到50之间的分到第二个分区1，小于25的分到第三个分区2.因为分区数和reduce数是相 同的，所以不同的分区对应不同的reduce，因为分区是从0开始的，数据分区到分区0的会被分到第一个reduce处理,分区是1的会分到第2个 reduce处理，依次类推。并且reduce对应着输出文件，所以，第一个reduce生成的文件就会是part-r-0000，第二个reduce对 应的生成文件就会是part-r-0001，依次类推，所以reduce处理时只需要把key和value再倒过来直接输出。这样最后就会形成数目最大的 字符串就会在第一个生成文件里，排好序的数据就是按照文件命名的顺序存放的。
**其实就是利用了hadoop分组的特点，会把key相同的字符串放到一个组里，然后我们把分组的数据用自己定义的排序函数按照key排序后，再按照分区函数分到不同的reduce，固然会是第一个reduce结果文件里面是最大数字的已排序集合，也就是说需要排好序的数据时只需要依次遍历reduce的结果文件part-r-0000，part-r0001,part-r-0002...。当然，如果只有一个reduce，那就正好是一个排好序的结果文件。**代码如下：
<!-- lang: lua --> *******************************分割线***************************************** map： <!-- lang: java --> /** * 把上一个mapreduce的结果的key和value颠倒，调到后就可以按照key排序了。 * * @author zhangdonghao * */ public class SortIntValueMapper extends Mapper<LongWritable, Text, IntWritable, Text> { private final static IntWritable wordCount = new IntWritable(1); private Text word = new Text(); public SortIntValueMapper() { super(); } @Override public void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException { StringTokenizer tokenizer = new StringTokenizer(value.toString()); while (tokenizer.hasMoreTokens()) { word.set(tokenizer.nextToken().trim()); wordCount.set(Integer.valueOf(tokenizer.nextToken().trim())); context.write(wordCount, word); } } } reudce: <!-- lang: java --> /** * 把key和value颠倒过来输出 * @author zhangdonghao * */ public class SortIntValueReduce extends Reducer<IntWritable, Text, Text, IntWritable> { private Text result = new Text(); @Override public void reduce(IntWritable key, Iterable<Text> values, Context context) throws IOException, InterruptedException { for (Text val : values) { result.set(val.toString()); context.write(result, key); } } } Partitioner: <!-- lang: java --> /** * 按照key的大小来划分区间，当然，key 是 int值 * * @author zhangdonghao * */ public class KeySectionPartitioner<K, V> extends Partitioner<K, V> { public KeySectionPartitioner() { } @Override public int getPartition(K key, V value, int numReduceTasks) { /** * int值的hashcode还是自己本身的数值 */ //这里我认为大于maxValue的就应该在第一个分区 int maxValue = 50; int keySection = 0; // 只有传过来的key值大于maxValue 并且numReduceTasks比如大于1个才需要分区，否则直接返回0 if (numReduceTasks > 1 && key.hashCode() < maxValue) { int sectionValue = maxValue / (numReduceTasks - 1); int count = 0; while ((key.hashCode() - sectionValue * count) > sectionValue) { count++; } keySection = numReduceTasks - 1 - count; } return keySection; } } Comparator： <!-- lang: java --> /** * int的key按照降序排列 * * @author zhangdonghao * */ public class IntKeyDescComparator extends WritableComparator { protected IntKeyDescComparator() { super(IntWritable.class, true); } @Override public int compare(WritableComparable a, WritableComparable b) { return -super.compare(a, b); } } job的关键设置：<!-- lang: java --> /** * 这里是map输出的key和value类型 */ job.setOutputKeyClass(IntWritable.class); job.setOutputValueClass(Text.class); job.setMapperClass(SortIntValueMapper.class); // job.setCombinerClass(WordCountReduce.class); job.setReducerClass(SortIntValueReduce.class); // key按照降序排列 job.setSortComparatorClass(IntKeyAscComparator.class); job.setPartitionerClass(KeySectionPartitioner.class); job.setInputFormatClass(TextInputFormat.class); job.setOutputFormatClass(TextOutputFormat.class); /** *这里可以放输入目录数组，也就是可以把上一个job所有的结果都放进去 **/ FileInputFormat.setInputPaths(job, inputPath); FileOutputFormat.setOutputPath(job,outputPath); http://my.oschina.net/132722/blog/168022
已有 0 人发表留言，猛击->> 这里 <<-参与讨论ITeye推荐
―软件人才免语言低担保 赴美带薪读研！―