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。

import cProfile
import pstats


def process_file(dst):
    try:
        f = open(dst, "r")  # 打开文件
    except IOError as s:
        print(s)
        return None
    try:
        bvffer = f.read()  # 读文件到缓冲区
    except:
        print('Read File Error!')
        return None
    f.close()
    return bvffer


def process_buffer(bvffer):
    if bvffer:
        word_freq = {}
        # 下面添加处理缓冲区bvffer代码，统计每个单词的频率，存放在字典word_freq
        bvffer = bvffer.lower()
        # 去除文本中的中英文标点符号
        for ch in '“‘!;,.?”':
            bvffer = bvffer.replace(ch, " ")
        words = bvffer.strip().split()
        for word in words:
            word_freq[word] = word_freq.get(word, 0) + 1  # 给单词计数
        return word_freq


def output_result(word_freq):
    if word_freq:
        sorted_word_freq = sorted(word_freq.items(), key=lambda v: v[1], reverse=True)
        for item in sorted_word_freq[:]:
            print(item)


def main():
    dst = "C:\\Users\\acer\\Desktop\\sentence.txt"
    bvffer = process_file(dst)
    word_freq = process_buffer(bvffer)
    output_result(word_freq)


if __name__ == "__main__":
    cProfile.run("main()", "result")
    p = pstats.Stats("result")
    p.strip_dirs().sort_stats("call").print_stats(10)
    p.strip_dirs().sort_stats("cumulative").print_stats()
    p.print_callees("process_buffer")

 

 

 

2.用MapReduce实现词频统计

2.1 编写Map函数

编写mapper.py

#!/usr/bin/env python
import sys
for line in sys.stdin:
    line = line.strip()
    words = line.split()
    for word in words:
        print "%s\t%s" % (word, 1)

 

授予可运行权限

$ chmod +x mapper.py

 

本地测试mapper.py

 

2.2 编写Reduce函数

编写reducer.py

#!/usr/bin/env python
from operator import itemgetter
import sys
 
current_word = None
current_count = 0
word = None
 
for line in sys.stdin:
    line = line.strip()
    word, count = line.split('\t', 1)
    try:
        count = int(count)
    except ValueError: 
        continue
    if current_word == word:
        current_count += count
    else:
        if current_word:
            print "%s\t%s" % (current_word, current_count)
        current_count = count
        current_word = word
 
if word == current_word: 
    print "%s\t%s" % (current_word, current_count)

 

授予可运行权限

$ chmod +x reducer.py

 

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