08 分布式计算MapReduce--词频统计

WordCount程序任务：

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.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HDFS
• 运行hadoop-mapreduce-examples-2.7.1.jar
• 查看结果
• 停止HDFS与YARN

 

 

2.4 分布式运行自写的词频统计

• 用Streaming提交MapReduce任务：

1、查看hadoop-streaming的jar文件位置：/usr/local/hadoop/share/hadoop/tools/lib/

 

 

2、配置stream环境变量

3、编写运行文件run.sh

 

 

4、运行run.sh运行

source run.sh运行文件

 

 

5、查看运行结果

 

 

 

 

• 停止HDFS与YARN

stop-yarn.sh

stop-dfs.sh