IDEA编写MapReduce词频统计并打包提交到Hadoop集群运行

前言

  如果数据集很小,需求不大,我们可以直接在IDEA上运行MapReduce程序得到结果,但数据集很大、需求很多、代码又很繁琐时,再用IDEA运行就非常浪费时间,所以这个时候便需要将代码打包提交到hadoop集群运行,可以节省很多时间。

一、 编写MapReduce(以词频统计为例)

1.数据集和需求

数据集:

computer,huangxiaoming,85,86,41,75,93,42,85
computer,xuzheng,54,52,86,91,42
computer,huangbo,85,42,96,38
english,zhaobenshan,54,52,86,91,42,85,75
english,liuyifei,85,41,75,21,85,96,14
algorithm,liuyifei,75,85,62,48,54,96,15
computer,huangjiaju,85,75,86,85,85
english,liuyifei,76,95,86,74,68,74,48
english,huangdatou,48,58,67,86,15,33,85
algorithm,huanglei,76,95,86,74,68,74,48
algorithm,huangjiaju,85,75,86,85,85,74,86
computer,huangdatou,48,58,67,86,15,33,85
english,zhouqi,85,86,41,75,93,42,85,75,55,47,22
english,huangbo,85,42,96,38,55,47,22
algorithm,liutao,85,75,85,99,66
computer,huangzitao,85,86,41,75,93,42,85
math,wangbaoqiang,85,86,41,75,93,42,85
computer,liujialing,85,41,75,21,85,96,14,74,86
computer,liuyifei,75,85,62,48,54,96,15
computer,liutao,85,75,85,99,66,88,75,91
computer,huanglei,76,95,86,74,68,74,48
english,liujialing,75,85,62,48,54,96,15
math,huanglei,76,95,86,74,68,74,48
math,huangjiaju,85,75,86,85,85,74,86
math,liutao,48,58,67,86,15,33,85
english,huanglei,85,75,85,99,66,88,75,91
math,xuzheng,54,52,86,91,42,85,75
math,huangxiaoming,85,75,85,99,66,88,75,91
math,liujialing,85,86,41,75,93,42,85,75
english,huangxiaoming,85,86,41,75,93,42,85
algorithm,huangdatou,48,58,67,86,15,33,85
algorithm,huangzitao,85,86,41,75,93,42,85,75

需求:统计每类课程的参考人数和每类课程平均分

分析:
1.先计算每个学生的平均分
2.由于需要统计每个课程的参考人数,所以reduce接收的key需要接收课程course
3.在reduce中统计每类课程的平均分和参考人数

2.pom依赖

要在idea上编写MapReduce,pom需要一下几个依赖:
hadoop-hdfs,hadoop-client,hadoop-common
可以去https://mvnrepository.com/下载,注意和本地安装的hadoop版本相对应。
下面是我的pom.xml文件

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0</modelVersion>

    <groupId>org.example</groupId>
    <artifactId>MapReduceTest</artifactId>
    <version>1.0-SNAPSHOT</version>

    <properties>
        <maven.compiler.source>8</maven.compiler.source>
        <maven.compiler.target>8</maven.compiler.target>
    </properties>
    <dependencies>
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-hdfs
  • 4
    点赞
  • 62
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
MapReduce是一种用于处理大规模数据集的编程模型,它可以将大数据集拆分成许多小块进行分布式处理,然后将结果进行合并。实现MapReduce词频统计可以通过以下步骤来完成: 1. 首先,将数据集划分为多个小块,每个小块被称为一个分片。然后,将每个分片传给多个Mapper进行并行处理。Mapper的任务是将输入的分片按行读取,并将每个行中的单词进行拆分,然后为每个单词生成一个键值对,其中键是单词本身,值设为1。 2. Mapper完成后,将生成的键值对传递给Reducer。Reducer的任务是对相同键的多个值进行合并和计数,然后输出结果。Reducer会接收到多个Mapper产生的键值对,首先对键值对按键进行排序,然后对相同键的多个值进行合并,并计算出该键出现的总次数。 3. 最后,将每个键和对应的计数结果作为输出,得到最终的词频统计结果。 为了实现这个过程,可以使用编程语言如Java来编写Map和Reduce函数。在Map函数中,可以使用字符串的分割函数将行拆分为单词,并为每个单词生成一个键值对。在Reduce函数中,可以使用哈希表来合并相同键的值,并计算出总的出现次数。最后,将结果写入输出文件中。 为了实现分布式计算,可以使用分布式计算框架如Hadoop来管理MapReduce任务的调度和运行Hadoop可以将输入数据切分为多个分片,并将它们分配给集群中的不同节点进行并行处理。同时,Hadoop还能够自动处理节点故障和数据丢失的情况,保证计算的可靠性和高可用性。 通过以上步骤和工具的组合,就可以实现MapReduce词频统计。这种方法可以有效地处理大规模数据集,并获得准确的词频统计结果。同时,由于分布式计算的优势,可以并行处理多个分片,大大提高计算效率。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值