MR实战：实现数据去重

已于 2024-01-09 09:28:51 修改
阅读量901 收藏 19
点赞数 19
文章标签： mr
于 2024-01-09 09:27:03 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/youxin2024520/article/details/135471116
版权
本文详细描述了使用HadoopMapReduce技术对含有重复数据的文本文件进行去重操作的过程，包括数据准备、自定义Mapper和Reducer类的实现，以及Driver类的配置和运行，旨在提升代码效率和可维护性。
摘要由CSDN通过智能技术生成

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：

  1. 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。

  2. 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。

  3. 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。

  4. 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。

  5. 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。

  6. 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。

  7. 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

在这里插入图片描述

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

在这里插入图片描述

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

在这里插入图片描述

  • 将两个文本文件 file1.txt与file2.txt，上传到HDFS的/dedup/input目录

在这里插入图片描述

（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

在这里插入图片描述

  • 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

在这里插入图片描述

（3）创建日志属性文件

  • 在resources目录里创建log4j.properties文件

在这里插入图片描述

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
    在这里插入图片描述
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
    在这里插入图片描述
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

在这里插入图片描述

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
    在这里插入图片描述
  • 下载结果文件 - part-r-00000
    在这里插入图片描述
  • 查看结果文件 - part-r-00000
    在这里插入图片描述

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
xinxinzi_work
关注
  • 19
    点赞
  • 踩
  • 19
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
MR数据集：用于情感分析，包括积极评论和消极评论。
04-21
MR数据集：用于情感分析，包括积极评论和消极评论。
AR、VR、MR课程：AR，VR，MR开发入门教程
最新发布
04-02
AR、VR、MR课程：AR，VR，MR开发入门教程
MR数据处理流程
Steven
06-17 852
MR数据处理流程 4台机器作为运算资源的机器来处理数据， 将处理的数据进行任务划分，根据数据的大小划分 4机器并行处理数据 输出数据任务划分，在分区器内对数据的hascode进行取模，有几台机器就进行几次取模，根据hascode分给运算机器进行处理 最后保存最终结果 Map阶段主要是将待处理的大量数据进行任务划分，并行处理数据 通过分区器进行规则划分，将相同的单词分配到一个任务上[分区中]合并 reducer端：并行计算 分别处理数据自己分区的数据进行全局合并并得到最后结果保存在介质中（HDFS） ..
数据去重方案（汇总）
猫猫爱吃小鱼粮
01-02 1214
数据去重方案汇总
大数据量txt文本数据分块去重
weixin_34130269的博客
01-11 884
2019独角兽企业重金招聘Python工程师标准>>> ...
论__大量文本内容去重的方式
Luzhuo 的博客
02-06 3828
论__大量文本内容去重的方式
mrmap:空间服务注册中心
03-12
Map先生是地理空间数据，元数据，服务及其描述文档（例如Web地图服务 ，Web要素服务以及所有其他内容的通用注册中心；-)。 一个类似的项目可能是但是缺少许多实际需要的东西。 该信息模型的灵感来自著名的旧的...
左心室MR数据
08-26
MR数据 图片
MRmap:参数MRI：T1映射，T2映射，T2 *映射-开源
04-29
用于磁共振成像（MRI）医学研究的灵活工具，可从多种类型的脉冲序列（红外准备，Look-Locker和MOLLI T1映射；单回波和多回波T2 / T2 *）生成参数图像（图）*映射）。
文本去重之MinHash算法
weixin_34272308的博客
07-06 393
2019独角兽企业重金招聘Python工程师标准>>> ...
使用SimHash算法实现千万级文本数据去重插入（python版代码）
<p>专注挖坑</p>
06-18 1万+
前言，最近在搞大量数据插入MySQL的时候悲催的发现速度越来越慢，因为我的数据来多个源，使用流式更新，而且产品要求在这个表里面不能有数据重复，划重点！衡量数据是否重复的字段是文本内容，字段类型是text，…那么问题来了，如何在千万级数据量实现去重插入呢？而且要快！ 自杀式做法 1.管它重复不重复，先插入了再说 2.使用group by 先对不能重复的字段进行分组，在用一个having coun...
用于文本去重（相似度计算）的Simhash算法学习及python实现（持续学习中）
qq_44418077的博客
03-05 9890
Simhash算法学习及python实现1. Simhash算法是什么？2.Simhash算法思想3.Simhash算法流程3.1 分词3.2 hash3.3 加权3.4 合并3.5降维4. SimHash签名距离计算4.1 什么是海明距离呢？4.2 大规模数据下的海明距离计算参考文章 来源于众多文章的学习，将在文章末尾，集中附录出所有学习的文章 1. Simhash算法是什么？ 一段文字所包含的信息，就是它的信息熵。如果对这段信息进行无损压缩编码，理论上编码后的最短长度就是它的信息熵大小。 如果仅仅是用来
数据去重（完全去重和不完全去重）
weixin_56814370的博客
04-01 9196
数据去重（完全去重和不完全去重）
文本去重方法——SimHash
weixin_44467105的博客
02-25 2057
SimHash是一种文本表示的方法，和TF-IDF一样，但是TF-IDF需要遍历所有文本来计算得到文本的表示，计算量较大。 一.SimHash的计算过程 1.分词 对于中文文本来说，一般都要先进行分词才能进一步得到文本的表示向量。 首先按照一定粒度进行分词，比如‘我爱编程’这句话，可以切分为‘我/爱/编程’ 2.将分词结果映射为定长的二进制编码 比如经过hash算法之后，得到的hash值为 我 1 0 1 0 爱 0 1 1 0 编程 1 0 0 0 3.将二进制编码进行转换 将二进制编码
大数据文本相似去重方案
weixin_30710457的博客
03-13 1097
转载自http://blog.jobbole.com/46839/和http://blog.jobbole.com/47748/，原作者严澜（@观澜而索源） 通过采集系统我们采集了大量文本数据，但是文本中有很多重复数据影响我们对于结果的分析。分析前我们需要对这些数据去除重复，如何选择和设计文本的去重算法？常见的有余弦夹角算法、欧式距离、Jaccard相似度、最长公共子串、编辑距离等。这些...
500W 文本数据排序去除重复数据
h70614959的专栏
07-18 2139
现在又这样一组数据。数量为500W条数据，大小约1G 班级,性别,年龄,........ 1,w,15 1,w,13 1,w,20 1,w,11 1,m,15 1,m,13 1,m,14 1,m,17 2,w,18 2,w,13 2,w,14 2,w,12 ............ 要筛选出每个班级 男生、女生最大年龄的名字
MR四个数据处理阶段
china_demon的专栏
06-18 2995
TXT文本去重 TXT去重 TXT文本合并去重工具 —— 20亿行130GB的数据只需60分钟
热门推荐
zhengzizhi的专栏
11-18 3万+
例如：多个TXT大数据文本文件合并以及文本行去重 130GB20亿行数据60分钟即可完成去重操作 测试数据大小：20亿行130GB的数据只需60分钟 平均去重速度：2000000000(行) ÷ 3600(秒) =‬ 555555(行/秒)≈55万行/秒 以上工具会生成如下格式的测试数据一共4列20亿行（条）： 2008-4-25【数据来源于】【编号0255713】培...
千万级别数据查询如何去重
08-01
引用[1]:对于千万级别的数据查询去重，可以采用以下方法进行处理。首先，优化数据结构，减小数据体积大小，并将数据导入临时表。然后，创建临时字段，如MD5，并计算需要去重的属性的值。接下来，通过筛选出去重后的...

“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

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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