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
（1）读文件、分词（text.split列表）
2、按单词统计（字典,key单词，value次数）、排序（list.sort列表）
3、主函数与输出
4、输出结果
2、 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。
（1）准备txt文件
（2）编写py文件
（3）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
(1)编写mapper.py
(2)授予可运行权限
(3)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
(1)编写reducer.py
(2)授予可运行权限
(3)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
（1）启动HDFS与YARN
(2)运行伪分布式实例
(3)准备待处理文件,上传到HDFS上
(4)运行hadoop-mapreduce-examples-2.7.1.jar
(5)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：查看运行结果
- 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结果
- 停止HDFS与YARN
(2)配置stream环境变量
(3) 编写运行文件run.sh
(4)运行run.sh
(5)查看运行结果
(5)停止HDFS与YARN
