MapReduce的TopK统计加排序

Hadoop技术内幕中指出Top K算法有两步,一是统计词频,二是找出词频最高的前K个词。在网上找了很多MapReduce的Top K案例,这些案例都只有排序功能,所以自己写了个案例。(求出前k个频率最高的词原本不需要排序,这里想完全使用mapreduce的功能,所以借助reduce的排序来求前k个。不需要排序的案例在MapReduce TopK TreeMap中介绍)

这个案例分两个步骤,第一个是就是wordCount案例,二就是根据单词词频排序,获取前K个词。

一,统计词频

package TopK;
import java.io.IOException;
import java.util.StringTokenizer;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
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;

/**
 * 统计词频
 * @author zx
 * zhangxian1991@qq.com
 */
public class WordCount {
	
	/**
	 * 读取单词
	 * @author zx
	 *
	 */
	public static class Map extends Mapper<Object,Text,Text,IntWritable>{

		IntWritable count = new IntWritable(1);
		
		@Override
		protected void map(Object key, Text value, Context context)
				throws IOException, InterruptedException {
			StringTokenizer st = new StringTokenizer(value.toString());
			while(st.hasMoreTokens()){	
				String word = st.nextToken().replaceAll("\"", "").replace("'", "").replace(".", "");
				context.write(new Text(word), count);
			}
		}
		
	}
	
	/**
	 * 统计词频
	 * @author zx
	 *
	 */
	public static class Reduce extends Reducer<Text,IntWritable,Text,IntWritable>{

		@SuppressWarnings("unused")
		@Override
		protected void reduce(Text key, Iterable<IntWritable> values,Context context)
				throws IOException, InterruptedException {
			int count = 0;
			for (IntWritable intWritable : values) {
				count ++;
			}
			context.write(key,new IntWritable(count));
		}
		
	}
	
	@SuppressWarnings("deprecation")
	public static boolean run(String in,String out) throws IOException, ClassNotFoundException, InterruptedException{
		
		Configuration conf = new Configuration();
		
		Job job = new Job(conf,"WordCount");
		job.setJarByClass(WordCount.class);
		job.setMapperClass(Map.class);
		job.setReducerClass(Reduce.class);
		
		// 设置Map输出类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);

        // 设置Reduce输出类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);

        // 设置输入和输出目录
        FileInputFormat.addInputPath(job, new Path(in));
        FileOutputFormat.setOutputPath(job, new Path(out));
        
        return job.waitForCompletion(true);
	}
	
}


二,排序 并求出频率最高的前K个词

package TopK;

import java.io.IOException;
import java.util.StringTokenizer;
import java.util.regex.Pattern;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataOutputStream;
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.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;

/**
 * 以单词出现的频率排序
 * 
 * @author zx
 * zhangxian1991@qq.com
 */
public class Sort {

	/**
	 * 读取单词(词频 word)
	 * 
	 * @author zx
  • 2
    点赞
  • 11
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
以下是一个简单的 MapReduce 代码,用于计算文本中每个单词的出现次数并按照出现次数进行排序Mapper: ```python import re def mapper(key, value): words = re.findall('\w+', value.lower()) for word in words: yield word, 1 ``` Reducer: ```python def reducer(key, values): yield sum(values), key ``` 排序: ```python def sort(count, word): yield None, (count, word) def top_n_reducer(key, values): for count, word in sorted(values, reverse=True)[:N]: yield count, word ``` 完整代码: ```python import re N = 10 def mapper(key, value): words = re.findall('\w+', value.lower()) for word in words: yield word, 1 def reducer(key, values): yield sum(values), key def sort(count, word): yield None, (count, word) def top_n_reducer(key, values): for count, word in sorted(values, reverse=True)[:N]: yield count, word if __name__ == '__main__': input_data = ['big data', 'data science', 'machine learning', 'deep learning', 'big data'] mapped_data = [mapper(None, d) for d in input_data] shuffled_data = sorted([item for sublist in mapped_data for item in sublist]) reduced_data = [reducer(key, group) for key, group in itertools.groupby(shuffled_data, lambda x: x[0])] sorted_data = [sort(count, word) for count, word in reduced_data] top_n_data = [top_n_reducer(key, group) for key, group in itertools.groupby(sorted_data, lambda x: x[0])] for count, word in itertools.chain(*top_n_data): print('%s: %i' % (word, count)) ``` 在这个例子中,我们定义了一个 `N` 变量,表示我们只想要统计前 `N` 个最常出现的单词。然后,我们定义了一个 `mapper` 函数,它将每个单词映射到一个 `(word, 1)` 键值对。接下来,我们定义了一个 `reducer` 函数,它将每个单词的出现次数相。最后,我们定义了一个 `sort` 函数,它对 `(count, word)` 键值对进行排序,并定义了一个 `top_n_reducer` 函数,它只返回前 `N` 个最常出现的单词。 在 `main` 函数中,我们首先定义了一些输入数据。然后,我们使用 `mapped_data` 变量将每个输入数据中的单词映射到键值对。接下来,我们使用 `shuffled_data` 变量将所有键值对按键进行排序。然后,我们使用 `reduced_data` 变量将所有具有相同键的键值对合并到一起。接下来,我们使用 `sorted_data` 变量对所有 `(count, word)` 键值对进行排序。最后,我们使用 `top_n_data` 变量返回前 `N` 个最常出现的单词,并将它们打印出来。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值