08 分布式计算MapReduce--词频统计

1.用你最熟悉的编程环境，编写非分布式的词频统计程序。

• 读文件
• 分词（text.split列表）
• 按单词统计（字典,key单词，value次数）
• 排序（list.sort列表）
• 输出

 

 

 

 

 

 

在Ubuntu中实现运行。

• 准备txt文件
• 编写py文件
• python3运行py文件分析txt文件。

 

 

 

 

 

 

 

2.用MapReduce实现词频统计

2.1编写Map函数

• 编写mapper.py
• 授予可运行权限
• 本地测试mapper.py

 

 

 

 

 

 

 

2.2编写Reduce函数

• 编写reducer.py
• 授予可运行权限
• 本地测试reducer.py

 

 

 

 

 

 

2.3分布式运行自带词频统计示例

• 启动HDFS与YARN
• 准备待处理文件,上传到HDFS上
• 运行hadoop-mapreduce-examples-2.7.1.jar
• 查看结果

 

 

 

 

2.4 分布式运行自写的词频统计

• 用Streaming提交MapReduce任务：
  • 查看hadoop-streaming的jar文件位置：/usr/local/hadoop/share/hadoop/tools/lib/
  • 配置stream环境变量
  • 编写运行文件run.sh
  • 运行run.sh运行
• 查看运行结果
• 停止HDFS与YARN