MapRduce经典案例——数据去重

1. Map阶段实现
使用Eclipse开发工具打开之前创建的Maven项目HadoopDemo，并且新创建cn.itcast.mr.dedup包，在该路径下编写自定义Mapper类DedupMapper，主要用于读取数据集文件将TextInputFormat默认组件解析的类似<0，2018-3-1 a >键值对修改为<2018-3-1 a，null>。

2. Reduce阶段实现
根据Map阶段的输出结果形式，同样在cn.itcast.mr.dedup包下，自定义Reducer类DedupReducer，主要用于接受Map阶段传递来的数据，根据Shuffle工作原理，键值key相同的数据就会被合并，因此输出数据就不会出现重复数据了。

3.  Driver程序主类实现
编写MapReduce程序运行主类DedupDriver，主要用于设置MapReduce工作任务的相关参数。由于本次演示的数据量较小，为了方便、快速地进行案例演示，本案例采用了本地运行模式，对指定的本地E:\\hadoop-eclipse\\input1目录下的源文件（需要提前准备）实现数据去重，并将结果输入到本地E:\\hadoop-eclipse\\output1目录下。

4.  效果测试
为了保证MapReduce程序正常执行，需要先在本地E:\\hadoop-eclipse\\input1目录下创建文件file1.txt和file2.txt；然后，执行MapReduce程序的程序入口DedupDriver类，正常执行完成后，在指定的E:\\hadoop-eclipse\\output1目录下生成结果文件。

1、DedupMapper.Java  

 

package cn.itcast.mr.dedup;

import java.io.IOException;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
 
public class DedupMapper extends Mapper<LongWritable, Text, Text, NullWritable> {
    private static Text line = new Text();//每行数据
    @Override
    protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, NullWritable>.Context context)throws IOException, InterruptedException {
        line = value;
        context.write(line,NullWritable.get());    
    }
 
    
}
 

2、DedupReducer.java

 

package cn.itcast.mr.dedup;

import java.io.IOException;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
 
public class DedupReducer extends Reducer<Text, NullWritable, Text, NullWritable> {
    //重写reduce()方法
    @Override
    protected void reduce(Text key, Iterable<NullWritable> values, Reducer<Text, NullWritable, Text, NullWritable>.Context context) throws IOException, InterruptedException {
        context.write(key,NullWritable.get());
    }
}
 

3、DedupDriver.java  

 

package cn.itcast.mr.dedup;

import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.Job;
 
public class DedupDriver {
     public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
          
 
            Configuration conf = new Configuration();
            Job job = Job.getInstance(conf);
            
            job.setJarByClass(DedupDriver.class);
            job.setMapperClass(DedupMapper.class);
            job.setReducerClass(DedupReducer.class);
            //设置输出类型
            job.setOutputKeyClass(Text.class);
            job.setOutputValueClass(NullWritable.class);
            //设置输入和输出目录
            FileInputFormat.addInputPath(job, new Path("E:\\hadoop-eclipse\\input1"));
            FileOutputFormat.setOutputPath(job, new Path("E:\\hadoop-eclipse\\output1"));
     
            System.exit(job.waitForCompletion(true) ? 0 : 1);
        }
 
}