第七篇：经典案例：数据去重

需求

       去除掉海量文件中的存在着的重复数据，并将结果输出到单个文件中。

       比如有文件1中有以下数据：

       hello

       my

       name

       文件2中有以下数据

       my

       name

       is

       文件3中有以下数据

       name

       is

       fangmeng

       那么结果文件的内容应当如下(顺序不保证一致)：

       hello

       my

       name

       is

       fangmeng　　

方案制定

       Map阶段：

1. 获取到输入后，按照默认原则切分输入。

2. 将切分后的value设置为map中间输出的key，而map中间输出的value为空值。

Shuffle阶段让具有相同的key的map中间输出汇集到同一个reduce节点上

Reduce阶段：

       将获取到的键值对的第一个键取出，作为reduce输出的键，值依然为空，或者你也可以输出键值对的个数。

       注意是第一个键。因为会传递过来很多键值对 - 他们都有同样的键，只用选取第一个键就够了。

       这和其他案例中需要依次遍历Shuffle阶段传递过来的中间键值对进行计算的模式是不同的。

代码示例

package org.apache.hadoop.examples;

import java.io.IOException;

//导入各种Hadoop包
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.Text;
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 org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;

// 主类
public class Dedup {
        
    // Mapper类
    public static class Map extends Mapper<Object, Text, Text, Text>{
        
        // new一个值为空的Text对象
        private static Text line = new Text();
                
        // 实现map函数
        public void map(Object key, Text value, Context context) throws IOException, InterruptedException {
            
            // 将切分后的value作为中间输出的key
            line = value;
            context.write(line, new Text(""));
        }
    }
        
    // Reducer类
    public static class Reduce extends Reducer<Text,Text,Text,Text> {
    
        // 实现reduce函数
        public void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {
                
            // 仅仅输出第一个Key
            context.write(key, new Text(""));
        }
    }

    // 主函数
    public static void main(String[] args) throws Exception {
    
        // 获取配置参数
        Configuration conf = new Configuration();
        String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
                
        // 检查命令语法
        if (otherArgs.length != 2) {
            System.err.println("Usage: Dedup <in> <out>");
            System.exit(2);
        }

        // 定义作业对象
        Job job = new Job(conf, "Dedup");
        // 注册分布式类
        job.setJarByClass(Dedup.class);
        // 注册Mapper类
        job.setMapperClass(Map.class);
        // 注册合并类
        job.setCombinerClass(Reduce.class);
        // 注册Reducer类
        job.setReducerClass(Reduce.class);
        // 注册输出格式类
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(Text.class);
        // 设置输入输出路径
        FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
        FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
                
        // 运行程序
        System.exit(job.waitForCompletion(true) ? 0 : 1);
    }
}

运行结果

       

小结

       去重在日志分析中有非常广泛的应用，本例也是MapReduce程序的一个经典范例。