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 |
- 编写map函数,reduce函数
- 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)
- 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
- 放到HDFS上运行
- 将之前爬取的文本文件上传到hdfs上
- 用Hadoop Streaming命令提交任务
- 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
- 气象数据集下载地址为:ftp://ftp.ncdc.noaa.gov/pub/data/noaa
- 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*
- 解压数据集,并保存在文本文件中
- 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
- 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)
- 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
- 本机上测试运行代码
- 放到HDFS上运行
- 将之前爬取的文本文件上传到hdfs上
- 用Hadoop Streaming命令提交任务
-
start-dfs.sh jps hdfs dfs -put ./*.txt /user/hadoop/input hdfs dfs -ls input
- 查看运行结果