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

   cd /home/hadoop/wc
   sudo gedit mapper.py
   
   # map函数
   import sys
   for i in stdin:
       i = i.strip()
       words = i.split()
       for word in words:
       print '%s\t%s' % (word,1)
   
   #reduce函数
   from operator import itemgetter
   import sys
   
   current_word = None
   current_count = 0
   word = None
   
   for i in stdin:
       i = i.strip()
       word, count = i.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

   chmod a+x /home/hadoop/mapper.py
   

    

3. 本机上测试运行代码

   echo "foo foo quux labs foo bar quux" | /home/hadoop/wc/mapper.py
   
   echo "foo foo quux labs foo bar quux" | /home/hadoop/wc/mapper.py | sort -k1,1 | /home/hadoop/wc/reducer.p
   

    

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

   cd  /home/hadoop/wc
   wget http://www.gutenberg.org/files/5000/5000-8.txt
   wget http://www.gutenberg.org/cache/epub/20417/pg20417.txt
   
   
   cd /usr/hadoop/wc
   hdfs dfs -put /home/hadoop/hadoop/gutenberg/*.txt /user/hadoop/input
   

    

 

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/2013/4*
   
   cd /usr/hadoop/qx/data/ftp.ncdc.noaa.gov/pub/data/noaa/2014
   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