Hadoop实战-MR倒排索引（三）

场景描述

• 通过切入具体示例代码，解决问题，从而积累 Hadoop 实战经验。
• 倒排索引，源于实际应用中需要根据属性的值来查找记录，通过倒排索引，可以根据单词快速获取包含这个单词的文档列表。

---

实验数据

• 输入

tom,LittleApple
jack,YesterdayOnceMore
Rose,MyHeartWillGoOn
jack,LittleApple
John,MyHeartWillGoOn
kissinger,LittleApple
kissinger,YesterdayOnceMore

• 输出结果
  • 使用 | 分隔 用户名，去掉末尾多余字符

LittleApple	kissinger|jack|tom
MyHeartWillGoOn	John|Rose
YesterdayOnceMore	kissinger|jack

• 代码实现
  • 本地运行， 若导出至 jar包， 需要 稍作修改，使代码整体显得较为优雅。

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

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
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;
import org.apache.hadoop.util.GenericOptionsParser;

/**
 * 
 * @ClassName: Music
 * 
 * @Description: 输入用户播放音乐记录数据，统计歌曲被哪些用户播放过
 * 
 * @author kngines
 * 
 * @date 2018年4月11日
 */

public class Music {
	public static class MusicMap extends Mapper<Object, Text, Text, Text> {

		@Override
		public void map(Object key, Text value, Context context) throws IOException, InterruptedException {
			StringTokenizer itr = new StringTokenizer(value.toString());
			while (itr.hasMoreTokens()) {
				String content = itr.nextToken();
				String[] splits = content.split(",");
				String name = splits[0];
				String music = splits[1];
				context.write(new Text(music), new Text(name));
			}
		}
	}

	public static class MusicReduce extends Reducer<Text, Text, Text, Text> {
		private Text userNames = new Text();

		@Override
		public void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {
			userNames.set("");
			StringBuffer result = new StringBuffer();
			int i = 0;
			for (Text tempText : values) {
				result.append(tempText.toString().trim() + "|");
				i++;
			}
			
			userNames.set(result.toString().substring(0,result.length()-1));  // 去除尾部分隔符
			context.write(key, userNames);
		}
	}

	public static void main(String[] args) throws Exception {

		Configuration conf = new Configuration();
		conf.set("mapred.jop.tracker", "hdfs://"+args[2]+":9001");  // args[2] 远程服务器 IP地址（伪分布式Hadoop服务器地址）
		conf.set("fs.default.name", "hdfs://"+args[2]+":9000");
		
		String[] otherArgs = new GenericOptionsParser(conf, args)
				.getRemainingArgs();
		
		
		Job job = Job.getInstance(conf);
		job.setJarByClass(Music.class);
		job.setMapperClass(MusicMap.class);
		job.setReducerClass(MusicReduce.class);
		job.setOutputKeyClass(Text.class);
		job.setOutputValueClass(Text.class);

		if(otherArgs.length < 2){
			System.err.println("Usage: MinMaxCountDriver <in> <out>");
			System.exit(-1);
		}
		
		Path iPath = new Path(otherArgs[0]);  // 输入文件路径
		Path oPath = new Path(otherArgs[1]);  // 输出文件路径
		
		// 指定要处理的数据所在的位置
		FileSystem fs = FileSystem.get(conf);
		if (fs.exists(iPath)) {
			FileInputFormat.addInputPath(job, iPath);
		}

		// 指定处理完成之后的结果所保存的位置
		fs.delete(oPath, true);
		FileOutputFormat.setOutputPath(job, oPath);

		// 向yarn集群提交这个job
		boolean res = job.waitForCompletion(true);
		System.exit(res ? 0 : 1);
	}
}

• eclipse 中运行参数 配置

  • 输入文件路径， 输出文件路径，远程服务器 IP 地址，以空格间隔
    

• 输入结果显示
  

---

问题记录

• Apache Hadoop MapReduce Common. Maven Conf
  • hadoop-mapreduce-client-common-2.6.2.jar 包引入，否则无法访问远程Hadoop 服务器。
• 本地机器（无线网，可能会多个无线网切换）、虚拟机（Hadoop服务器）
  • 切换网络再切回网络，同一网段下，本机、虚拟机 ping 不通，可以通过【禁用–启用】本地网络、注销虚拟机方式，使网络互通。
  • 个人在实验时，网络不通时，在虚拟机中 jps 命令， 不存在Hadoop 5 个基础进程，修复网络后，jps 进程正常。

---

References

• Hadoop实战-MapReduce之倒排索引(八). 优化改进