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