大数据MapReduce学习案例：TopN

---

一，案例分析

（一）TopN分析法介绍

TopN分析法是指从研究对象中按照某一个指标进行倒序或正序排列，取其中所需的N个数据，并对这N个数据进行重点分析的方法。

（二）案例需求

现假设有数据文件num.txt，现要求使用MapReduce技术提取上述文本中最大的5个数据，并最终将结果汇总到一个文件中。

先设置MapReduce分区为1，即ReduceTask个数一定只有一个。我们需要提取TopN，即全局的前N条数据，不管中间有几个Map、Reduce，最终只能有一个用来汇总数据。

在Map阶段，使用TreeMap数据结构保存TopN的数据，TreeMap默认会根据其键的自然顺序进行排序，也可根据创建映射时提供的 Comparator进行排序，其firstKey()方法用于返回当前集合最小值的键。

在Reduce阶段，将Map阶段输出数据进行汇总，选出其中的TopN数据，即可满足需求。这里需要注意的是，TreeMap默认采取正序排列，需求是提取5个最大的数据，因此要重写Comparator类的排序方法进行倒序排序。

二，案例实施

（一）准备数据文件

（1）启动hadoop服务

输入命令：start-all.sh

（2）在虚拟机上创建文本文件

1.expor目录下创建topn目录，输入命令：mkdir /export/topn

2.在topn目录下创建num.txt文件，输入命令：touch /export/topn/num.txt

3.向num.txt文件添加如下内容：

10 3 8 7 6 5 1 2 9 4
11 12 17 14 15 20 
19 18 13 16

输入命令：vim /export/topn/num.txt

（3）上传文件到HDFS指定目录

1.创建/topn/input目录，输入命令：hdfs dfs -mkdir -p /topn/input

2.将文本文件num.txt，上传到HDFS的/topn/input目录，输入命令：hdfs dfs -put /export/topn/num.txt /topn/input

3.在hadoop webui查看文件是否上传成功

（二）Map阶段实现

使用IntelliJ开发工具创建Maven项目TopN，并且新建net.hw.mr包，在该路径下编写自定义Mapper类TopNMapper，主要用于将文件中的每行数据进行切割提取，并把数据保存到TreeMap中，判断TreeMap是否大于5，如果大于5就需要移除最小的数据。TreeMap保存了当前文件最大5条数据后，再输出到Reduce阶段。

（1）创建Maven项目：TopN

1.配置好如下图，单击【Create】按钮
2.创建成功
3.删除【Main】主类：右击【Main】类，单击【Delete】

（2）添加相关依赖

1.在pom.xml文件里添加hadoop和junit依赖，添加内容如下：

<dependencies>                                        
    <!--hadoop客户端-->                                  
    <dependency>                                      
        <groupId>org.apache.hadoop</groupId>          
        <artifactId>hadoop-client</artifactId>        
        <version>3.3.4</version>                      
    </dependency>                                     
    <!--单元测试框架-->                                     
    <dependency>                                      
        <groupId>junit</groupId>                      
        <artifactId>junit</artifactId>                
        <version>4.13.2</version>                     
    </dependency>                                     
</dependencies>                                       

2.刷新本地的maven仓库，如果没有下载，会自动下载依赖到本地：单击【Maven】，单击【刷新】按钮

（3）创建日志属性文件

1.在resources目录里创建log4j.properties文件，右击【resources】，选择【New】，单击【Resource Bundle】

2.在弹出的对话框中输入：log4j，按【OK】按钮，成功创建

3.向log4j.properties文件添加如下内容：

log4j.rootLogger=INFO, stdout, logfile
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j