阿里云数加Max Compute的Java Map Reduce程序读取文本资源及其命令行和IDE运行配置

     最近有个业务是想从商品数据中解析出需要的关键词。关键词来自一个词库，词库文件包括产品类目词、菜品词等等。选择用阿里云Max Compute 的Map Reduce（MR）来实现。

      开始以为MR不能读取文件，后来发现是可以读取的。参考：https://help.aliyun.com/document_detail/27891.html

       try {
                byte[] buffer = new byte[1024 * 1024];
                int bytesRead = 0;
                bufferedInput = context.readResourceFileAsStream("category_words.txt");
                while ((bytesRead = bufferedInput.read(buffer)) != -1) {
                    String line = new String(buffer, 0, bytesRead);

                    String[] lines = line.split("\n");
                    for (String chunk : lines) {

                        dictSet.add(chunk);
                        //System.out.println("add word:" + chunk);
                    }
                }
                bufferedInput.close();

                filter = new SensitivewordFilter(dictSet);

            } catch (FileNotFoundException ex) {
                throw ex;
            } catch (IOException ex) {
                System.err.print(ex.getStackTrace().toString());
            } finally {
            }

   注意用context.readResourceFileAsStream 一次就把文件的全部字符读取出来，然后自己分行。分行之后在处理填写到自己的词表里面。

注意：byte[] buffer = new byte[1024 * 1024] ，我先开了一个1M内存的空间，一次把全部文件读入。

 

   命令行传入输入和输出表参数：

   

public static void main(String[] args) throws java.lang.Exception {
        if (args.length != 2) {
            System.err.println("Usage: WordCount <in_table> <out_table>");
            System.exit(2);
        }

        JobConf job = new JobConf();

        job.setMapperClass(TokenizerMapper.class);
        job.setCombinerClass(SumCombiner.class);
        job.setReducerClass(SumReducer.class);

        //arg[0] : projectxxx.dwd_input_table.dt=20170601

        System.out.println(args[0]);
        String []arr = args[0].split("-");
        String inputProject = arr[0];
        String table = arr[1];
        String part = arr[2];

        job.setMapOutputKeySchema(SchemaUtils.fromString("mall_id:string,mall_name:string,shop_id:string,shop_name:string,word:string"));
        job.setMapOutputValueSchema(SchemaUtils.fromString("count:bigint"));
        InputUtils.addTable(TableInfo.builder().projectName(inputProject).tableName(table).partSpec(part).build(), job);
        OutputUtils.addTable(TableInfo.builder().tableName(args[1]).build(), job);

        JobClient.runJob(job);
    }

     通过Idea打jar之后，jar需要上传到阿里云资源组里面。

然后自己的笔记本上可以用ODPS 命令行执行 odps任务， 参考： https://yq.aliyun.com/articles/1487

命令：

jar -resources ChoseWords.jar,category_words.txt -classpath /Users/xxx/IdeaProjects/ChoseWords/out/artifacts/ChoseWords_jar/ChoseWords.jar com.aliyun.odps.mapred.open.example.WordCount  projectxxx-dwd_input_table-dt=20170601 dwd_shop_tags;

上面输入表的project，table 和partition放在一个参数里面，自己在程序里面切分。

最后当我们想把数据放在阿里云任务调度中执行，设置好mapper，reducer和combiner就可以执行。注意mapper 最后一个类前面是$符合，不是dot。有点坑爹。