HADOOP和Spark统计SRS的代码的单词频率

先clone下来SRS的代码，国内推荐oschina阿里云的镜像：

mkdir -p ~/git/ && cd ~/git &&
git clone git@git.oschina.net:winlinvip/srs.oschina.git

设置好java环境，解压hadoop 2.7，添加到PATH，也就是能执行java和hadoop之后，就可以统计SRS的代码了，环境变量设置：

# by winlin
export JAVA_HOME=/usr/local/jdk
export JRE_HOME=$JAVA_HOME/jre
export HADOOP_HOME=/usr/local/hadoop
export SCALA_HOME=/usr/local/scala
export SPARK_HOME=/usr/local/spark
export PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin:$SCALA_HOME/bin:$SPARK_HOME/bin
export CLASS_PATH=.:$JAVA_HOME/lib:$JRE_HOME/lib

统计代码的命令：

cd /usr/local/hadoop &&
rm -rf input output &&
(mkdir input && cd input && files=`find /home/winlin/git/srs/trunk/src/ -name "*.*pp"|grep -v utest`; for file in $files; do cp $file .; done) && 
duration=`time hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.0.jar wordcount input/ output 2>/dev/null` && 
(cd output && cat part-r-00000 |awk '{print $2,$1}'|sort -n) &&
echo "=================" && echo $duration &&
rm -rf input output

配合linux的sort，就可以得到频率最高的单词。

1012 #include
1015 and
1089 in
1103 ret=%d",
1116 ret);
1160 ((ret
1194 ret
1207 ERROR_SUCCESS)
1341 is
1516 for
1538 /**
1725 of
1836 */
1860 virtual
1925 !=
2460 ret;
2876 to
3740 int
4167 if
4300 return
4844 *
4940 //
5265 the
6917 }
7240 {
9136 =

我能解读的结果是：

1. SRS的函数才1860个，所有的SRS的函数都是virtual开头，即使是private。

2. 注释真不少，*/和//占了很多。

3. C系列的语言，{}很多，说明代码风格比较统一。

使用Spark统计SRS的命令：

cd /usr/local/spark &&
rm -f srs.txt && files=`find /home/winlin/git/srs/trunk/src/ -name "*.*pp"|grep -v utest`; for file in $files; do cat $file>>srs.txt; done &&
duration=`time (spark-submit /usr/local/spark/examples/src/main/python/wordcount.py srs.txt >result.txt 2>/dev/null) 2>&1` &&
cat result.txt|awk '{print $2,$1}'|sort -n &&
echo "=========" && echo $duration &&
rm -f result.txt

运行结果和hadoop差不多：

1012 #include:
1015 and:
1089 in:
1103 ret=%d",:
1116 ret);:
1160 ((ret:
1194 ret:
1207 ERROR_SUCCESS):
1341 is:
1516 for:
1538 /**:
1725 of:
1836 */:
1860 virtual:
1925 !=:
2460 ret;:
2876 to:
3740 int:
4167 if:
4299 return:
4844 *:
4940 //:
5265 the:
6917 }:
7240 {:
9136 =:
314558 :

Hadoop的运行时间是：

real 0m13.488s user 0m21.393s sys 0m5.310s

Spark的运行时间是：

real 0m15.105s user 0m17.929s sys 0m5.538s

随手弄了个这个结果出来，以享观众。