熟悉常用的HBase操作

1. 以下关系型数据库中的表和数据，要求将其转换为适合于HBase存储的表并插入数据：

学生表（Student）（不包括最后一列）

学号（S_No）	姓名（S_Name）	性别（S_Sex）	年龄（S_Age）	课程（course）
2015001	Zhangsan	male	23
2015003	Mary	female	22
2015003	Lisi	male	24	数学（Math）85

  create 'Student', ' S_No  ','S_Name', ’S_Sex’,'S_Age'
put 'Student','s001','S_No','2015001'
put 'Student','s001','S_Name','Zhangsan'
put 'Student','s001','S_Sex','male'
put 'Student','s001','S_Age','23'
put 'Student','s002','S_No','2015003'
put 'Student','s002','S_Name','Mary'
put 'Student','s002','S_Sex','female'
put 'Student','s002','S_Age','22'
put 'Student','s003','S_No','2015003'
put 'Student','s003','S_Name','Lisi'
put 'Student','s003','S_Sex','male'
put 'Student','s003','S_Age','24'

2. 用Hadoop提供的HBase Shell命令完成相同任务：

• 列出HBase所有的表的相关信息；list
• 在终端打印出学生表的所有记录数据；
• 向学生表添加课程列族；
• 向课程列族添加数学列并登记成绩为85；
• 删除课程列；
• 统计表的行数；count 's1'
• 清空指定的表的所有记录数据；truncate 's1'

list
scan 'Student'
alter 'Student','NAME'=>'course'
put 'Student','s003','course:Math','85'
dorp 'Student','course'
count 's1'
count 'Student'
truncate 's1'
truncate 'Student'

理解MapReduce

1. 用Python编写WordCount程序并提交任务

程序	WordCount
输入	一个包含大量单词的文本文件
输出	文件中每个单词及其出现次数（频数），并按照单词字母顺序排序，每个单词和其频数占一行，单词和频数之间有间隔

1. 编写map函数，reduce函数

   #！ /usr/bin/python3
   # Map函数
   import sys
   for line in sys.stdin:
        line=line.strip()
        words=line.split()
        for word in words:
             print ('%s	%s' % (word,1))

   #! /usr/bin/python3
   
   # Reduce函数
   from operator import itemgetter
   import sys
   current_word=None
   current_count=0
   word=None
   
   for line in sys.stdin:
        line=line.strip()
        word,count=line.split('	',1)
        try:
             count=int(count)
        except ValueError:
             continue
        if current_word==word:
             current_count+=count
        else:
             if current_word:
                 print ('%s	%s' % (current_word,current_count))
             current_count=count
             current_word=word
   if current_word==word:
        print ('%s	%s' % (current_word,current_count))

2. 将其权限作出相应修改

   sudo chmod 777 mapper.py
   sudo chmod 777 reducter.py

3. 本机上测试运行代码

   echo "Hello World, Bye World" | ./mapper.py
   
   echo "Hello World, Bye World" | ./mapper.py | sort -k1,1 | ./reducter.py

4. 放到HDFS上运行
   1. 将之前爬取的文本文件上传到hdfs上
   2. 用Hadoop Streaming命令提交任务
5. 查看运行结果

 

2. 用mapreduce 处理气象数据集

编写程序求每日最高最低气温，区间最高最低气温

1. 气象数据集下载地址为：ftp://ftp.ncdc.noaa.gov/pub/data/noaa
2. 按学号后三位下载不同年份月份的数据（例如201506110136号同学，就下载2013年以6开头的数据，看具体数据情况稍有变通）
3. 解压数据集，并保存在文本文件中
4. 对气象数据格式进行解析
5. 编写map函数，reduce函数
6. 将其权限作出相应修改
7. 本机上测试运行代码
8. 放到HDFS上运行
   1. 将之前爬取的文本文件上传到hdfs上
   2. 用Hadoop Streaming命令提交任务
9. 查看运行结果

cd /usr/hadoop
sodu mkdir qx
cd /usr/hadoop/qx

wget -D --accept-regex=REGEX -P data -r -c ftp://ftp.ncdc.noaa.gov/pub/data/noaa/2009/6*

cd /usr/hadoop/qx/data/ftp.ncdc.noaa.gov/pub/data/noaa/2009
sudo zcat 1*.gz >qxdata.txt
cd /usr/hadoop/qx


import sys
for i in sys.stdin:
i = i.strip()
d = i[15:23]
t = i[87:92]

print '%s	%s' % (d,t)

from operator import itemggetter
import sys

current_word = None
current_count = 0
word = None

for i in sys.stdin:
i = i.strip()
word,count = i.split('	', 1)
try:
count = int(count)
except ValueError:
continue

if current_word == word:
if current_count > count:
current_count = count
else:
if current_word:
print '%s	%s' % (current_word, current_count)
current_count = count
current_word = word

if current_word == word:
print '%s	%s' % (current_word, current_count)

chmod a+x /usr/hadoop/qx/mapper.py
chmod a+x /usr/hadoop/qx/reducer.py