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\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))

   

1. 将其权限作出相应修改

• chmod a+x /home/hadoop/wc/mapper.py
  chmod a+x /home/hadoop/wc/reducer.py

   

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

   • cd /usr/hadoop
     sodu mkdir hp
     cd /usr/hadoop/hp
        
     wget -D --accept-regex=REGEX -P data -r -c ftp://ftp.ncdc.noaa.gov/pub/data/noaa/2008/3*
        
     cd /usr/hadoop/hp/data/ftp.ncdc.noaa.gov/pub/data/noaa/2008
     sudo zcat 3*.gz >hptext.txt
     cd /usr/hadoop/hp
        
        
     import sys
     for line in sys.stdin:
          line = line.strip()
          dtext = line[15:23]
          text = line[87:92]
        
          print '%s\t%s' % (d,t)
        
        
     from operator import itemggetter
     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:
              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/hp/mapper.py
     chmod a+x /usr/hadoop/hp/reducer.py

      

9. 查看运行结果

•