第七章 mapreduce编程实践-文件合并与去重

编程实现文件合并和去重操作

对于两个输入文件，即文件A和文件B，请编写MapReduce程序，对两个文件进行合并，并剔除其中重复的内容，得到一个新的输出文件C。下面是输入文件和输出文件的一个样例供参考。

目标：原始数据中出现次数超过一次的数据在输出文件中只出现一次。

算法思想：根据reduce的过程特性,会自动根据key来计算输入的value集合，把数据作为key输出给reduce,无论这个数据出现多少次，reduce最终结果中key只能输出一次。

 

1.实例中每个数据代表输入文件中的一行内容，map阶段采用Hadoop默认的作业输入方式。将value设置为key，并直接输出。 map输出数据的key为数据，将value设置成空值
2.在MapReduce流程中，map的输出<key，value>经过shuffle过程聚集成<key，value-list>后会交给reduce
3.reduce阶段不管每个key有多少个value，它直接将输入的key复制为输出的key，并输出（输出中的value被设置成空）。

 

 

用一行作为key，value是空，那么在reduce时进行“汇总”，还是只有一个key，即一行，value还是空。所以即去重了。

    输入文件A的样例如下：

20150101     x         20150102     y         20150103     x         20150104     y         20150105     z         20150106     x

输入文件B的样例如下：

20150101      y 20150102      y 20150103      x 20150104      z 20150105      y

根据输入文件A和B合并得到的输出文件C的样例如下：

20150101      x 20150101      y 20150102      y 20150103      x 20150104      y 20150104      z 20150105      y  2015010      z 20150106      x

 

代码：

package org.apache.hadoop.examples;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
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 java.io.IOException;
import java.util.StringTokenizer;

public class FileMerge {
 
 public static void main(String[] args) throws Exception {
       Configuration conf = new Configuration();//获得程序参数 放到otherArgs中
     //   String[] otherArgs = (new GenericOptionsParser(conf, args)).getRemainingArgs();
        String[] otherArgs=new String[]{"input","output"}; /* 直接设置输入参数 设置程序运行参数 */
        if(otherArgs.length < 2) {//没有指定参数
            System.err.println("Usage: FileMerge <in> [<in>...] <out>");
            System.exit(2);
        }
 
        Job job = Job.getInstance(conf, "FileMerge");//设置环境参数
        job.setJarByClass(FileMerge.class);//设置整个程序的类名
        job.setMapperClass(FileMerge.Map.class);//添加Mapper类
        job.setCombinerClass(FileMerge.Reduce.class);//添加combiner类
        job.setReducerClass(FileMerge.Reduce.class);//添加reducer类
        job.setOutputKeyClass(Text.class);//设置输出类型
        job.setOutputValueClass(Text.class);//设置输出类型
		//System.exit(job.waitForCompletion(true) ? 0 : 1);
        for(int i = 0; i < otherArgs.length - 1; ++i) { 
            FileInputFormat.addInputPath(job, new Path(otherArgs[i]));//设置输入文件
        }
 
        FileOutputFormat.setOutputPath(job, new Path(otherArgs[otherArgs.length - 1]));//设置输出文件
		Path path = new Path(otherArgs[1]);// 取第1个表示输出目录参数（第0个参数是输入目录）
		FileSystem fileSystem = path.getFileSystem(conf);// 根据path找到这个文件
		if (fileSystem.exists(path)) {//如果存在output文件夹则删除
			fileSystem.delete(path, true);// true的意思是，就算output有东西，也一带删除
	System.exit(job.waitForCompletion(true)?0:1);
			}
    }
    
        //实现map函数
 
        public static class Map  extends Mapper<Object, Text, Text, Text> {//继承mapper父类  //接收一个文件名作为key，该文件的每行内容作为value
        
			private Text line = new Text();//每一行作为一个数据 
			 public Map() {
		        }
			public void map(Object key, Text value, Mapper<Object, Text, Text, Text>.Context context) throws IOException, InterruptedException {
		   
						 context.write(value, new Text(""));//把每一行都放到text中 唯一的key实现了去重
            }
		}
 // reduce将输入中的key复制到输出数据的key上，并直接输出，这是数据去重思想
    public static class Reduce extends Reducer<Text, Text, Text, Text> {
        public void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {
          context.write(key, new Text("")); //map传给reduce的数据已经做完数据去重，输出即可
        }
    }
 
 
    
}