一、实战概述
在本次实战中,我们致力于使用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,并将结果整合到一个文件中。以下是我们进行的一些优化步骤,以提高代码的效率和可维护性:
-
Hadoop服务启动: 在开始之前,确保成功启动Hadoop服务,以搭建分布式计算环境,为MapReduce任务提供必要的基础。
-
数据准备与上传: 在虚拟机上创建了
file1.txt
和file2.txt
两个文本文件,并将它们上传到HDFS的/dedup/input
目录。这确保了数据能够被MapReduce任务访问。 -
Mapper类优化: 我们创建了自定义
Mapper
类DeduplicateMapper
,在Map阶段将TextInputFormat默认组件解析的键值对进行优化,将需要去重的数据作为key,value设为空。这种优化提高了Mapper的效率和清晰度。 -
Reducer类优化: 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进行自动去重。这一步骤的优化关注于简化代码同时保持高效性。
-
Driver类优化: 编写了MapReduce程序运行主类DeduplicateDriver,设置了工作任务的相关参数,包括输入路径、输出路径等。这确保了MapReduce任务能够在集群上正确执行,并且提升了代码的可配置性。
-
结果文件整合: 我们将结果输出到HDFS的
/dedup/output
目录,确保整合的文件能够方便地被访问和下载。 -
执行和验证: 最后,通过运行
DeduplicateDriver
类,我们能够查看并下载去重后的结果文件,从而确认去重操作成功完成。这一步骤有助于验证整个MapReduce任务的准确性和完整性。
通过以上优化,我们更加高效地运用Hadoop MapReduce进行大数据处理和去重操作,深化了对分布式计算的理解和应用能力。整个实战任务展示了如何利用MapReduce处理大规模数据,以及如何通过优化提升代码的可读性和性能。
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
dedup
目录,在其中创建两个文本文件 -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.linlong
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<0,2022-11-1 a >
键值对修改为<2022-11-1 a,null>
。
(1)创建Maven项目
- 打开IDEA,创建Maven项目 -
Deduplicate
- 单击【Create】按钮,得到初始化项目
(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>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client