hadoop —— MapReduce例子 （数据去重）

kernelsky

　　参考：http://eric-gcm.iteye.com/blog/1807468
　　例子1：
　　概要：数据去重
　　描述：将file1.txt、file2.txt中的数据合并到一个文件中的同时去掉重复的内容
　　file1:



2012-3-1 a
2012-3-2 b
2012-3-3 c
2012-3-4 d
2012-3-5 a
2012-3-6 b
2012-3-7 c
2012-3-3 c
　　file2:



2012-3-1 b
2012-3-2 a
2012-3-3 b
2012-3-4 d
2012-3-5 a
2012-3-6 c
2012-3-7 d
2012-3-3 c
　　代码：
　　Dedup.java





import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;
public class Dedup {
//map将输入中的value复制到输出数据的key上，并直接输出
public static class Map extends Mapper{
private static Text line=new Text();//每行数据
//实现map函数
public void map(Object key,Text value,Context context)
throws IOException,InterruptedException{
line=value;
context.write(line, new Text(""));
}
}
//reduce将输入中的key复制到输出数据的key上，并直接输出
public static class Reduce extends Reducer{
//实现reduce函数
public void reduce(Text key,Iterable values,Context context)
throws IOException,InterruptedException{
context.write(key, new Text(""));
}
}
public static void main(String[] args) throws Exception{
Configuration conf = new Configuration();
//这句话很关键,IP(172.16.11.74)需要根据实际情况改变
conf.set("mapred.job.tracker", "172.16.11.74:9001");
String[] ioArgs=new String[]{"dedup_in","dedup_out"};
String[] otherArgs = new GenericOptionsParser(conf, ioArgs).getRemainingArgs();
if (otherArgs.length != 2) {
System.err.println("Usage: Data Deduplication  ");
System.exit(2);
}
Job job = new Job(conf, "Data Deduplication");
job.setJarByClass(Dedup.class);
//设置Map、Combine和Reduce处理类
job.setMapperClass(Map.class);
job.setCombinerClass(Reduce.class);
job.setReducerClass(Reduce.class);
//设置输出类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(Text.class);
//设置输入和输出目录
FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
}
View Code 　　运行步骤：
　　1. eclipse中建一个JAVA工程，导入Dedup.java，及对应的jar包（从hadoop-0.20.2-cdh3u6中拷贝过来）
　　2. 编译通过后，导出jar包Dedup.jar（需要带上依赖的包，及选择Main Class）
　　3. 拷贝Dedup.jar到Linux中（/home/hadoop/tmp/）
　　4. 启动hadoop
　　(命令：start-all.sh)
　　5. 查看NameNode、DataNode是否都启动了
　　(命令：jps)
　　6. hadoop文件系统中建目录：/user/hadoop/dedup_in/  （命令： hadoop fs -mkdir dedup_in）（dfs默认目录为/user/hadoop）
　　7. 查看：
　　(命令：hadoop dfs -ls )
　　8. 拷贝file1.txt、file2.txt到/user/hadoop/dedup_in/下
　　（命令：hadoop fs -put file1.txt dedup_in/file1.txt
　　hadoop fs -put file2.txt dedup_in/file2.txt）
　　9. 查看file1.txt、file2.txt
　　(命令：hadoop fs -text dedup_in/file1.txt
　　hadoop fs -text dedup_in/file2.txt）
　　10 运行jar包
　　(命令：hadoop jar /home/hadoop/tmp/Dedup.jar)
　　遇到异常：
　　1. Error opening job jar:....
　　原因：
　　之前把Dedup.jar拷贝到了hadoop文件系统中了，所以找不到Dedup.jar，hadoop jar 后面的jar应该是Linux文件系统中的
　　2. Mkdirs failed to created /home/tmp
　　原因：
　　配置文件/usr/hadoop-0.20.2-cdh3u6/conf/core-site.xml 中的写成了“hadoop.tmp.dir”对应的目录写成了/home/tmp，而实际Linux中木有这个目录
　　（是之前删了，改成/home/hadoop/tmp），命令（hadoop jar Dedup.jar ）执行过程中需要“hadoop.tmp.dir”目录进行临时存储，当找到这个目录时，
　　会去创建，但是hadoop用户没有权限，所以抛了这个异常
　　运行结果：
　　1. 多了一个目录
　　执行命令（hadoop dfs -ls）
　　发现多了一个目录：/user/hadoop/dedup_out
　　2. 新生成的目录下：
　　查看目录下的文件，命令（hadoop dfs -lsr /user/hadoop/dedup_out/）
　　/user/hadoop/dedup_out/_SUCCESS
　　/user/hadoop/dedup_out/_logs
　　/user/hadoop/dedup_out/_logs/history
　　/user/hadoop/dedup_out/_logs/history/job_201403091709_0001_1394356210883_hadoop_Data+Deduplication
　　/user/hadoop/dedup_out/_logs/history/job_201403091709_0001_conf.xml
　　/user/hadoop/dedup_out/part-r-00000
　　3. 查看文件/user/hadoop/dedup_out/part-r-00000
　　命令（hadoop dfs -text /user/hadoop/dedup_out/part-r-00000）



2012-3-1 a
2012-3-1 b
2012-3-2 a
2012-3-2 b
2012-3-3 b
2012-3-3 c
2012-3-4 d
2012-3-5 a
2012-3-6 b
2012-3-6 c
2012-3-7 c
2012-3-7 d
　　结果证明：
　　Dedup.java成功地将file1.txt、file2.txt中内容合并去重