MapReduce实现wordcount

最新推荐文章于 2021-09-04 10:58:32 发布

张小沫22

最新推荐文章于 2021-09-04 10:58:32 发布

阅读量204

点赞数

分类专栏：大数据Hadoop 文章标签： Wordcount python

本文链接：https://blog.csdn.net/qq_38332574/article/details/80341239

版权

大数据Hadoop 专栏收录该内容

5 篇文章 0 订阅

订阅专栏

统计数据集中每个单词出现的总次数，为避免大小写问题出现的统计次数错误，将单词都做成小写，并用正则除去出现的标点。

map阶段

import sys
import re

p = re.compile(u'\w+')
#读取数据流信息
for line in sys.stdin:
    word_list = line.strip().split()
    for word in word_list:
        if len(word) < 2:
            continue
        w = p.findall(word)[0].lower()
        print '%s\t%d'%(w, 1)

reduce阶段

import sys

cur_word = None  #定义word的指针
sum_cnt = 0      #对word数量累加
#读取数据流信息
for line in sys.stdin:
    word,count = line.strip().split('\t')
    if cur_word == None:
        cur_word = word
    if cur_word != word:
        print '%s\t%d'%(cur_word, sum_cnt)
        cur_word = word
        sum_cnt = 0
    sum_cnt += int(count)
print '%s\t%d'%(cur_word, sum_cnt)

本地调试

cat text.txt |python map.py | sort -k1 | python red.py

提交集群运行

HADOOP_CMD = "/usr/local/src/hadoop-2.6.1/bin/hadoop"
STREAM_JAR_PATH = "/usr/local/src/hadoop-2.6.1/share/hadoop/tools/lib/hadoop-streaming-2.6.1.jar"

INPUT_FILE_PATH = "/test.txt"
OUTPUT_FILE_PATH = "/output_wordcount"

$HADOOP_CMD fs - rmr -skipTrash $OUTPUT_FILE_PATH
# Step 1.
$HADOOP_CMD jar $STREAM_JAR_PATH \
    -input $INPUT_FILE_PATH \
    -output $OUTPUT_FILE_PATH \
    -mapper "python map.py" \
    -reducer "python red.py"