文章目录
一、实战概述
在本次实战中,我们致力于使用Hadoop MapReduce技术对两个包含重复数据的文本文件file1.txt和file2.txt进行去重操作,并将结果整合到一个文件中。以下是我们进行的一些优化步骤,以提高代码的效率和可维护性:
-
Hadoop服务启动: 在开始之前,确保成功启动Hadoop服务,以搭建分布式计算环境,为MapReduce任务提供必要的基础。
-
数据准备与上传: 在虚拟机上创建了
file1.txt
和file2.txt
两个文本文件,并将它们上传到HDFS的/dedup/input
目录。这确保了数据能够被MapReduce任务访问。 -
Mapper类优化: 我们创建了自定义
Mapper
类DeduplicateMapper
,在Map阶段将TextInputFormat默认组件解析的键值对进行优化,将需要去重的数据作为key,value设为空。这种优化提高了Mapper的效率和清晰度。 -
Reducer类优化: 自定义Reducer类DeduplicateReducer直接复制输入的key作为输出的key,利用MapReduce默认机制对key进行自动去重。这一步骤的优化关注于简化代码同时保持高效性。
-
Driver类优化: 编写了MapReduce程序运行主类DeduplicateDriver,设置了工作任务的相关参数,包括输入路径、输出路径等。这确保了MapReduce任务能够在集群上正确执行,并且提升了代码的可配置性。
-
结果文件整合: 我们将结果输出到HDFS的
/dedup/output
目录,确保整合的文件能够方便地被访问和下载。 -
执行和验证: 最后,通过运行
DeduplicateDriver
类,我们能够查看并下载去重后的结果文件,从而确认去重操作成功完成。这一步骤有助于验证整个MapReduce任务的准确性和完整性。
通过以上优化,我们更加高效地运用Hadoop MapReduce进行大数据处理和去重操作,深化了对分布式计算的理解和应用能力。整个实战任务展示了如何利用MapReduce处理大规模数据,以及如何通过优化提升代码的可读性和性能。
二、提出任务
- 文件file1.txt本身包含重复数据,并且与file2.txt同样出现重复数据,现要求使用Hadoop大数据相关技术对以上两个文件进行去重操作,并最终将结果汇总到一个文件中。
- 编写MapReduce程序,在Map阶段采用Hadoop默认作业输入方式后,将key设置为需要去重的数据,而输出的value可以任意设置为空。
- 在Reduce阶段,不需要考虑每一个key有多少个value,可以直接将输入的key复制为输出的key,而输出的value可以任意设置为空,这样就会使用MapReduce默认机制对key(也就是文件中的每行内容)自动去重。
三、完成任务
(一)准备数据文件
- 启动hadoop服务
1、在虚拟机上创建文本文件
- 创建
dedup
目录,在其中创建两个文本文件 -file1.txt
、file2.txt
2、上传文件到HDFS指定目录
- 创建
/dedup/input
目录,执行命令:hdfs dfs -mkdir -p /dedup/input
- 将两个文本文件
file1.txt
与file2.txt
,上传到HDFS的/dedup/input
目录
(二)实现步骤
1、Map阶段实现
使用IntelliJ开发工具创建Maven项目Deduplicate
,并且新创建net.youxin
包,在该路径下编写自定义Mapper类DeduplicateMapper
,主要用于读取数据集文件将TextInputFormat默认组件解析的类似<0,2022-11-1 a >
键值对修改为<2022-11-1 a,null>
。
(1)创建Maven项目
- 打开IDEA,创建Maven项目 -
Deduplicate
- 单击【Create】按钮,得到初始化项目
(2)添加相关依赖
- 在
pom.xml
文件里添加hadoop
和junit
依赖
<dependencies>
<!--hadoop客户端-->
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>3.3.4</version>
</dependency>
<!--单元测试框架-->
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>4.13.2</version>
</dependency>
</dependencies>
- 刷新项目获得依赖
(3)创建日志属性文件
- 在
resources
目录里创建log4j.properties
文件
log4j.rootLogger= ERROR, stdout, logfile
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/subjectavg.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n
(4)创建去重映射器类
- 创建
net.youxin
包,在包里创建DeduplicateMapper
类
package net.youxin;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
/**
* 功能:去重映射器类
*/
public class DeduplicateMapper extends Mapper<LongWritable, Text, Text, NullWritable> {
private static Text field = new Text();
// <0,2022-11-3 c> --> <2022-11-3 c,null>
@Override
protected void map(LongWritable key, Text value, Context context)
throws IOException, InterruptedException {
field = value;
context.write(field, NullWritable.get());
}
}
2、Reduce阶段实现
- 根据Map阶段的输出结果形式,同样在net.hw.mr包下,自定义Reducer类DeduplicateReducer,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。
创建去重归并器类
- 在
net.youxin
包里创建DeduplicateReducer
类
package net.youxin;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
/**
* 功能:去重归并器类
*/
public class DeduplicateReducer extends Reducer<Text, NullWritable, Text, NullWritable> {
// <2022-11-3 c,null> <2022-11-4 d,null><2022-11-4 d,null>
@Override
protected void reduce(Text key, Iterable<NullWritable> values, Context context)
throws IOException, InterruptedException {
context.write(key, NullWritable.get());
}
}
3、Driver程序主类实现
- 编写MapReduce程序运行主类
DeduplicateDriver
,主要用于设置MapReduce工作任务的相关参数,对HDFS上/dedup/input
目录下的源文件实现去重,并将结果输入到HDFS的/dedup/output
目录下。
创建去重驱动器类
package net.youxin;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import java.net.URI;
/**
* 功能:去重驱动器类
*/
public class DeduplicateDriver {
public static void main(String[] args) throws Exception {
// 创建配置对象
Configuration conf = new Configuration();
// 设置数据节点主机名属性
conf.set("dfs.client.use.datanode.hostname", "true");
// 获取作业实例
Job job = Job.getInstance(conf);
// 设置作业启动类
job.setJarByClass(DeduplicateDriver.class);
// 设置Mapper类
job.setMapperClass(DeduplicateMapper.class);
// 设置map任务输出键类型
job.setMapOutputKeyClass(Text.class);
// 设置map任务输出值类型
job.setMapOutputValueClass(NullWritable.class);
// 设置Reducer类
job.setReducerClass(DeduplicateReducer.class);
// 设置reduce任务输出键类型
job.setOutputKeyClass(Text.class);
// 设置reduce任务输出值类型
job.setOutputValueClass(NullWritable.class);
// 定义uri字符串
String uri = "hdfs://master:9000";
// 创建输入目录
Path inputPath = new Path(uri + "/dedup/input");
// 创建输出目录
Path outputPath = new Path(uri + "/dedup/output");
// 获取文件系统
FileSystem fs = FileSystem.get(new URI(uri), conf);
// 删除输出目录
fs.delete(outputPath, true);
// 给作业添加输入目录
FileInputFormat.addInputPath(job, inputPath);
// 给作业设置输出目录
FileOutputFormat.setOutputPath(job, outputPath);
// 等待作业完成
job.waitForCompletion(true);
// 输出统计结果
System.out.println("======统计结果======");
FileStatus[] fileStatuses = fs.listStatus(outputPath);
for (int i = 1; i < fileStatuses.length; i++) {
// 输出结果文件路径
System.out.println(fileStatuses[i].getPath());
// 获取文件输入流
FSDataInputStream in = fs.open(fileStatuses[i].getPath());
// 将结果文件显示在控制台
IOUtils.copyBytes(in, System.out, 4096, false);
}
}
}
4、运行去重驱动器类,查看结果
- 运行
DeduplicateDriver
类
- 下载结果文件 - part-r-00000
- 查看结果文件 - part-r-00000
四、拓展练习
- 形式:单独完成
- 题目:实现数据去重
- 要求:让学生自己按照步骤实现数据去重的功能,以此来巩固本节的学习内容。写一篇CSDN博客,记录操作过程。
(一)原始问题
某人今天访问很多不同的网站,移动或电信日志都会记录在案,有些网站访问次数多,有些网站访问次数少,此人,今天访问了多少个不同的网站?
(二)简单化处理
- 假如有如下一些IP地址,分别保存在三个文件里,如何去掉重复地址?
ips01.txt
192.168.234.21
192.168.234.22
192.168.234.21
192.168.234.21
192.168.234.23
192.168.234.21
192.168.234.21
192.168.234.21
ips02.txt
192.168.234.25
192.168.234.21
192.168.234.21
192.168.234.26
192.168.234.21
192.168.234.27
192.168.234.21
192.168.234.27
192.168.234.21
ips03.txt
192.168.234.29
192.168.234.21
192.168.234.26
192.168.234.21
192.168.234.25
192.168.234.25
192.168.234.21
192.168.234.22
192.168.234.21