大数据Mapreduce程序——词频统计修改

思路原理介绍

在开始学习Mapreduce程序编写时，通常第一个程序为词频统计。词频统计，顾名思义是统计一篇文档中不同词出现的频数。而本文是在基本词频统计mapreduce程序的基础上进行改进。
在本次实验中，利用mapreduce自带的框架，将每个单词切片，将其设为key，value的值初始为“+”。通过Partitione计算分区，在Combine中将单词的value追加“+”，将其词频增加1倍，最后在Reduce中统计每个单词的词频，并将词频大于或等于3的单词记录，最终输出2倍词频数量的“+”组成的字符串。

改进要求

在实现基本的词频统计的功能基础上，对程序进行以下修改：

1. 数据清洗： 对每个词的格式进行规范化（去除不以英文字母开头的所有词）词频小于3次的数据不在结果中显示；
2. 结果以有限数量的“+”表示词频统计；
3. 自定义一个Combiner类，在其reduce方法中，将相同key的所有值进行相加后乘以2输出；
4. 自定义一个Partitioner类和getPartition()方法，将大写字母开头的词分配到一个reducer，将小写字母开头的词分配到另一个reducer；

环境

hadoop：2.9.2

步骤

1. 生成键值对：在框架中的map 方法中，读取文档中每个单词，判断其是否以大小写字母开头，若符合条件，将其设为key，且其value为“+”；否则丢弃，不处理。通过该方法，得到键值对的列表。
2. 计算分区：在myPartitioner方法中，获取键值对key的值，如果key是大写字母开头，将其分配到属于“0”的reduce中，否则分配到为“1”的reduce中。
3. 增加单词的频数：在MyCombiner方法中，获取每个键值对中的value，并将其增加为原来的两倍，并更新原来的value。
4. 在IntSumReducer方法中，定义一个StringBuffer类型的sum，统计相同key的键值对，将其value值追加到sum中，最终sum的值为该单词频数的两倍，且sum是以有限个“+”组成的字符串。最后判断sum的长度是否大于或等于6，若满足，则将词频大于3的单词及其sum结果加入到结果集中；否则，丢弃，不记录。

注意：由于在初始化词频时，将初始值设置为2，因此，在后续中过滤词频小于3的词时，过滤的条件修改为小于6.

代码

map部分

从文件中读取每一个词，并检查该词是否为大小写字母开头

    private final static Text one = new Text("+");
    private Text word = new Text();

    public void map(LongWritable key, Text value, Context context
                    ) throws IOException, InterruptedException {
      
    //筛选以字母开头的单词
	   StringTokenizer itr = new StringTokenizer(value.toString());
	   while (itr.hasMoreTokens()) {
		String line = itr.nextToken().toString();
			//****itr.nextToken()为string 类型；String line = itr.nextToken()
	                if((line.charAt(0) >= 65 && line.charAt(0) <= 90) || (line.charAt(0) >= 97 && line.charAt(0) <= 122)){
			//  ****使用正则表达式，条件可写为：line.substring(0,1).toLowerCase().matches("[a-z]")
		   word.set(line);
		   context.write(word, one);
		}
	   }
    }

Combiner片段

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

	    public void reduce(Text key, Iterable<Text> values,
		               Context context
		               ) throws IOException, InterruptedException {
	      StringBuffer sum = new StringBuffer();
	      for (Text val : values) {
		sum.append(val.toString());
	      }
	      result.set(sum.append(sum).toString());
	      context.write(key, result);
	    }
  }

Partitioner

在partitioner部分，设置分区方式

public class myPartitioner extends Partitioner<Text,Text>{
  	public int getPartition(Text key, Text value, int numPartitions)
	{
	     String line = key.toString(); 
             if(line.charAt(0) >= 65 && line.charAt(0) <= 90){
		return 0;
             }
	     return 1;
	}
  }

reducer

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

    public void reduce(Text key, Iterable<Text> values,
                       Context context
                       ) throws IOException, InterruptedException {
      StringBuffer sum = new StringBuffer();
      for (Text val : values) {
        sum.append(val.toString());
      }
      // 只统计词频>=3的单词
      if(sum.length() >= 3){
        result.set(sum.toString());
      	context.write(key, result);
      }
    }
  }