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
2. 将其权限作出相应修改
3. 本机上测试运行代码
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

 

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\t%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('\t',1)
        try:
             count=int(count)
        except ValueError:
             continue
        if current_word==word:
             current_count+=count
        else:
             if current_word:
                 print ('%s\t%s' % (current_word,current_count))
             current_count=count
             current_word=word
   if current_word==word:
        print ('%s\t%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

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

1. 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\t%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('\t', 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\t%s' % (current_word, current_count)
current_count = count
current_word = word

if current_word == word:
print '%s\t%s' % (current_word, current_count)

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