文件的合并与去重

一：设计思路

数据去重的 最终目标是让 原始数据中 出现次数超过一次的数据在输出文件中只出现一次。我们自然而然会想到将同一个数据的所有记录都交给一台reduce机器，无论这个数据出现多少次，只要在最终结果中输出一次就可以了。具体就是reduce的 输入应该以 数据作为 key，而对value-list则 没有要求。当reduce接收到一个<key，value-list>时就 直接将key复制到输出的key中，并将value设置成 空值。
　　在MapReduce流程中，map的输出<key，value>经过shuffle过程聚集成<key，value-list>后会交给reduce。所以从设计好的reduce输入可以反推出map的输出key应为数据，value任意。继续反推，map输出数据的key为数据，而在这个实例中每个数据代表输入文件中的一行内容，所以map阶段要完成的任务就是在采用Hadoop默认的作业输入方式之后，将value设置为key，并直接输出（输出中的value任意）。map中的结果经过shuffle过程之后交给reduce。reduce阶段不会管每个key有多少个value，它直接将输入的key复制为输出的key，并输出就可以了（输出中的value被设置成空了）。
二：代码

package exer1;

import java.io.IOException;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
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;

public class FileMerge1 {
	//此类继承自Mapper类，负责重写Map方法
	public static class map extends Mapper<LongWritable, Text, Text, NullWritable> {
		
		//读取输入的第一行文本设为line，类型为text
		private static Text line = new Text();
		//重写map方法
		@Override
		protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, NullWritable>.Context context)
				throws IOException, InterruptedException {
			
			line = value;
			context.write(line, NullWritable.get());
		}
	}
	//此类继承Reducer类，负责重写reduce方法
	public static class reduce extends Reducer<Text, NullWritable, Text, NullWritable>{
		//重写reduce方法
		@Override
		protected void reduce(Text key, Iterable<NullWritable> value,
				Reducer<Text, NullWritable, Text, NullWritable>.Context context) throws IOException, InterruptedException {
			context.write(key, NullWritable.get());
		}
	}
public static void main(String[] args) throws Exception {
        
		//1获取job
		//传递配置信息
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf ,"去重");
        
        //2设置jar路径
		//关联jar包
        job.setJarByClass(FileMerge1.class);
        
        //3关联mapper和reducer
		//mapper,reducer,driver建立联系，通过job纽带连载一起
        job.setMapperClass(map.class);
        job.setReducerClass(reduce.class);
        
        //4设置map输出的kv类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(NullWritable.class);
        
        //5设置最终输出kv类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(NullWritable.class);
        
        //6设置输入路径和输出路径
        FileInputFormat.addInputPath(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));
        
        //7提交job,结束程序
        System.exit(job.waitForCompletion(true) ? 0 : 1);

    }
}

三：目标文件

A：

20160708
20161113
20160702
20160906
20161011
20160901
20160108
20160609
20160221
20160308
20161001
20161012
20160309
20161023
20161104
20160806

B：

20160708
20161113
20160422
20160604
20161122
20160308
20161001
20161012

四：将本地文件提交到HDFS目录

        使用上传命令

        hdfs dfs -put /(路径) /(将要上传到的hdfs路径)

五：将java程序导出为jar包

           导出jar包

六：在虚拟机上运行jar包，并开始任务

        hadoop jar /(jar包) /(上传的hdfs目录) /(hdfs 输出路径)

七：运行成功