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
    #!/usr/bin/env python
    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/env python
    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)

     

  3. 本机上测试运行代码
    chmod a+x /home/hadoop/wc/mapper.py
    chmod a+x /home/hadoop/wc/reducer.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)
    mkdir qx
    cd qx
    wget -D --accept-regex=REGEX -p data -r -c ftp://ftp.ncdc.noaa.gov/pub/data/noaa/2009/7*

     

  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
    cd qx/data/ftp.ncdc.noaa.gov/pub/data/noaa/2009
    sudo zcat 8*.gz >qxdata.txt
    head qxdata.txt

     

  5. 编写map函数,reduce函数
    #!/usr/bin/env python
    import sys
    for i in sys.stdin:
         i = i.strip()
         d = i[15:23]
         t = i[87:92]
         print '%s\t%s' % (d,t)
    
    
    #!/usr/bin/env python
    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)

     

  6. 将其权限作出相应修改
    chmod a+x /home/hadoop/qx/mapper.py
    chmod a+x /home/hadoop/qx/reducer.py

     

  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
    3. start-dfs.sh
      jps
      hdfs dfs -put ./*.txt /user/hadoop/input
      hdfs dfs -ls input

       

  9. 查看运行结果
posted @ 2018-05-10 21:44  107蔡锐彬  阅读(106)  评论(0编辑  收藏  举报