文章目录
- 一、实战概述
- 二、提出任务
- 三、完成任务
- （一）准备数据文件
- 1、在虚拟机上创建文本文件
- 2、上传文件到HDFS指定目录
- （二）实现步骤
- 1、Map阶段实现
- （1）创建Maven项目
- （2）添加相关依赖
- （3）创建日志属性文件
- （4）创建去重映射器类
- 2、Reduce阶段实现
- 创建去重归并器类
- 3、Driver程序主类实现
- 创建去重驱动器类
- 4、运行去重驱动器类，查看结果
- 四、拓展练习
- （一）原始问题
- （二）简单化处理
一、实战概述
-
本次实战任务目标是使用Hadoop MapReduce技术对两个包含重复数据的文本文件
file1.txt和file2.txt进行去重操作，并将结果汇总到一个文件。首先启动Hadoop服务，然后在虚拟机上创建这两个文本文件并上传到HDFS的/dedup/input目录。 -
在Map阶段，我们创建自定义Mapper类
DeduplicateMapper，将TextInputFormat默认组件解析的键值对修改为需要去重的数据作为key，value设为空。在Reduce阶段，我们创建自定义Reducer类DeduplicateReducer，直接复制输入的key作为输出的key，利用MapReduce默认机制对key（即文件中的每行内容）进行自动去重。 -
我们还编写MapReduce程序运行主类
DeduplicateDriver，设置工作任务的相关参数，对HDFS上/dedup/input目录下的源文件进行去重处理，并将结果输出到HDFS的/dedup/output目录。最后，运行DeduplicateDriver类，查看并下载结果文件，确认去重操作成功完成。此实战任务展示如何运用Hadoop MapReduce进行大数据处理和去重操作，提升我们对分布式计算的理解和应用能力。
二、提出任务
-
文件file1.txt本身包含重复数据，并且与file2.txt同样出现重复数据，现要求使用Hadoop大数据相关技术对以上两个文件进行去重操作，并最终将结果汇总到一个文件中。
-
编写MapReduce程序，在Map阶段采用Hadoop默认作业输入方式后，将key设置为需要去重的数据，而输出的value可以任意设置为空。
-
在Reduce阶段，不需要考虑每一个key有多少个value，可以直接将输入的key复制为输出的key，而输出的value可以任意设置为空，这样就会使用MapReduce默认机制对key（也就是文件中的每行内容）自动去重。
三、完成任务
（一）准备数据文件
- 启动hadoop服务
1、在虚拟机上创建文本文件
- 创建两个文本文件 -
file1.txt、file2.txt
2、上传文件到HDFS指定目录
-
创建
/dedup/input目录，执行命令：hdfs dfs -mkdir -p /dedup/input
-
将两个文本文件
file1.txt与file2.txt，上传到HDFS的/dedup/input目录
（二）实现步骤
1、Map阶段实现
- 使用IntelliJ开发工具创建Maven项目
Deduplicate，并且新创建net.hw.mr包，在该路径下编写自定义Mapper类DeduplicateMapper，主要用于读取数据集文件将TextInputFormat默认组件解析的类似<0，2022-11-1 a >键值对修改为<2022-11-1 a，null>。
（1）创建Maven项目
- Maven项目 -
Deduplicate
- 单击【Finish】按钮
（2）添加相关依赖
- 在
pom.xml文件里添加hadoop和junit依赖
<dependencies> <!--hadoop客户端--> <dependency> <groupId>org.apache.hadoop</groupId> <artifactId>hadoop-client</artifactId> <version>3.3.4</version> </dependency> <!--单元测试框架--> <dependency> <groupId>junit</groupId> <artifactId>junit</artifactId> <version>4.13.2</version> </dependency>
</dependencies>
（3）创建日志属性文件
- 在
resources目录里创建log4j.properties文件
log4j.rootLogger=INFO, stdout, logfile
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/deduplicate.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n
（4）创建去重映射器类
- 创建
net.hw.mr包，在包里创建DeduplicateMapper类
package net.hw.mr;import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;import java.io.IOException;/*** 功能：去重映射器类* 作者：华卫* 日期：2022年11月30日*/
public class DeduplicateMapper extends Mapper<LongWritable, Text, Text, NullWritable> {private static Text field = new Text();// <0,2022-11-3 c> --> <2022-11-3 c,null>@Overrideprotected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {field = value;context.write(field, NullWritable.get());}
}
2、Reduce阶段实现
- 根据Map阶段的输出结果形式，同样在
net.hw.mr包下，自定义Reducer类DeduplicateReducer，主要用于接受Map阶段传递来的数据，根据Shuffle工作原理，键值key相同的数据就会被合并，因此输出数据就不会出现重复数据了。
创建去重归并器类
- 在
net.hw.mr包里创建DeduplicateReducer类
package net.hw.mr;import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;import java.io.IOException;/*** 功能：去重归并器类* 作者：华卫* 日期：2022年11月30日*/
public class DeduplicateReducer extends Reducer<Text, NullWritable, Text, NullWritable> {// <2022-11-3 c,null> <2022-11-4 d,null><2022-11-4 d,null>@Overrideprotected void reduce(Text key, Iterable<NullWritable> values, Context context)throws IOException, InterruptedException {context.write(key, NullWritable.get());}
}
3、Driver程序主类实现
- 编写MapReduce程序运行主类
DeduplicateDriver，主要用于设置MapReduce工作任务的相关参数，对HDFS上/dedup/input目录下的源文件实现去重，并将结果输入到HDFS的/dedup/output目录下。
创建去重驱动器类
- 在
net.hw.mr包里创建DeduplicateDriver类
package net.hw.mr;import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;import java.net.URI;/*** 功能：去重驱动器类* 作者：华卫* 日期：2022年11月30日*/
public class DeduplicateDriver {public static void main(String[] args) throws Exception {// 创建配置对象Configuration conf = new Configuration();// 设置数据节点主机名属性conf.set("dfs.client.use.datanode.hostname", "true");// 获取作业实例Job job = Job.getInstance(conf);// 设置作业启动类job.setJarByClass(DeduplicateDriver.class);// 设置Mapper类job.setMapperClass(DeduplicateMapper.class);// 设置map任务输出键类型job.setMapOutputKeyClass(Text.class);// 设置map任务输出值类型job.setMapOutputValueClass(NullWritable.class);// 设置Reducer类job.setReducerClass(DeduplicateReducer.class);// 设置reduce任务输出键类型job.setOutputKeyClass(Text.class);// 设置reduce任务输出值类型job.setOutputValueClass(NullWritable.class);// 定义uri字符串String uri = "hdfs://master:9000";// 创建输入目录Path inputPath = new Path(uri + "/dedup/input");// 创建输出目录Path outputPath = new Path(uri + "/dedup/output");// 获取文件系统FileSystem fs = FileSystem.get(new URI(uri), conf);// 删除输出目录fs.delete(outputPath, true);// 给作业添加输入目录FileInputFormat.addInputPath(job, inputPath);// 给作业设置输出目录FileOutputFormat.setOutputPath(job, outputPath);// 等待作业完成job.waitForCompletion(true);// 输出统计结果System.out.println("======统计结果======");FileStatus[] fileStatuses = fs.listStatus(outputPath);for (int i = 1; i < fileStatuses.length; i++) {// 输出结果文件路径System.out.println(fileStatuses[i].getPath());// 获取文件输入流FSDataInputStream in = fs.open(fileStatuses[i].getPath());// 将结果文件显示在控制台IOUtils.copyBytes(in, System.out, 4096, false);}}
}
4、运行去重驱动器类，查看结果
- 运行
DeduplicateDriver类
- 下载结果文件 -
part-r-00000
- 查看结果文件 -
part-r-00000
四、拓展练习
- 形式：单独完成
- 题目：实现数据去重
- 要求：让学生自己按照步骤实现数据去重的功能，以此来巩固本节的学习内容。写一篇CSDN博客，记录操作过程。
（一）原始问题
- 某人今天访问很多不同的网站，移动或电信日志都会记录在案，有些网站访问次数多，有些网站访问次数少，此人，今天访问了多少个不同的网站？
（二）简单化处理
- 假如有如下一些IP地址，分别保存在三个文件里，如何去掉重复地址？
- ips01.txt
192.168.234.21
192.168.234.22
192.168.234.21
192.168.234.21
192.168.234.23
192.168.234.21
192.168.234.21
192.168.234.21
- ips02.txt
192.168.234.25
192.168.234.21
192.168.234.21
192.168.234.26
192.168.234.21
192.168.234.27
192.168.234.21
192.168.234.27
192.168.234.21
- ips03.txt
192.168.234.29
192.168.234.21
192.168.234.26
192.168.234.21
192.168.234.25
192.168.234.25
192.168.234.21
192.168.234.22
192.168.234.21
