理解MapReduce

1. 用Python编写WordCount程序并提交任务

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. 编写map函数，reduce函数

   #！/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)

   #！/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 current_word==word:
        print '%s\t%s' % (current_word,current_count)

    

2. 将其权限作出相应修改

   chmod a+x /home/jinlong/hadoop/wc/mapper.py
   chmod a+x /home/jinlong/hadoop/wc/reducer.py

    

3. 本机上测试运行代码

•  

1. 放到HDFS上运行
   1. 将之前爬取的文本文件上传到hdfs上
   • 
   1. 用Hadoop Streaming命令提交任务
   • 
2. 查看运行结果

 

 

 

2. 用mapreduce 处理气象数据集

编写程序求每日最高最低气温，区间最高最低气温

1. 气象数据集下载地址为：ftp://ftp.ncdc.noaa.gov/pub/data/noaa
2. 按学号后三位下载不同年份月份的数据（例如201506110136号同学，就下载2013年以6开头的数据，看具体数据情况稍有变通）
3. 解压数据集，并保存在文本文件中
4. 对气象数据格式进行解析

• mkdir qx
  cd qx
  wget -D --accept-regex=REGEX -p data -r -c ftp://ftp.ncdc.noaa.gov/pub/data/noaa/2008/7*
  
  cd qx/data/ftp.ncdc.noaa.gov/pub/data/noaa/2008
  sudo zcat 7*.gz >qxdata.txt
  head qxdata.txt

   

1. 编写map函数，reduce函数

• #！/usr/bin/env python
  import sys
  for i in sys.stdin:
       i = i.strip()
       d = i[15:23]
       t = i[87:92]
       print '%s\t%s' % (d,t)

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

   

1. 将其权限作出相应修改

• chmod a+x /home/jinlong/hadoop/qx/mapper.py
  chmod a+x /home/jinlong/hadoop/qx/reducer.py

   

1. 本机上测试运行代码
2. 放到HDFS上运行
   1. 将之前爬取的文本文件上传到hdfs上
   2. 用Hadoop Streaming命令提交任务
3. 查看运行结果

• start-dfs.sh
  jps
  hdfs dfs -put ./*.txt /user/hadoop/input
  hdfs dfs -ls input