MapReduce編程之數據去重

    數據去重主要是爲了掌握和利用並行化思想來對數據進行有意義的篩選。統計大數據集上的數據種類個數、從網站日誌中計算訪問地等這些看似龐雜的任務都會涉及數據去重。下面就進入這個實例的MapReduce程序設計。

package com.hadoop.mr;

import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;

import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;

public class Dedup {

    //map將輸入中的value複製到輸出數據的key上，並直接輸出
    public static class Map extends Mapper<Object,Text,Text,Text>{
        private static Text line=new Text();//每行數據

        //實現map函數

        public void map(Object key,Text value,Context context)
                throws IOException,InterruptedException{

            line=value;
            context.write(line, new Text(""));[/indent]
        }
    }

    //reduce將輸入中的key複製到輸出數據的key上，並直接輸出
    public static class Reduce extends Reducer<Text,Text,Text,Text>{

        //實現reduce函數
        public void reduce(Text key,Iterable<Text> values,Context context)
                throws IOException,InterruptedException{

            context.write(key, new Text(""));

        }

    }

    public static void main(String[] args) throws Exception{

        Configuration conf = new Configuration();

        //這句話很關鍵
        conf.set("mapred.job.tracker", "192.168.1.2:9001");
        String[] ioArgs=new String[]{"dedup_in","dedup_out"};
        String[] otherArgs = new GenericOptionsParser(conf, ioArgs).getRemainingArgs();

        if (otherArgs.length != 2) {
        

             System.err.println("Usage: Data Deduplication <in> <out>");
             System.exit(2);
     }

     Job job = new Job(conf, "Data Deduplication");
     job.setJarByClass(Dedup.class);

     //設置Map、Combine和Reduce處理類
     job.setMapperClass(Map.class);
     job.setCombinerClass(Reduce.class);
     job.setReducerClass(Reduce.class);

     //設置輸出類型

     job.setOutputKeyClass(Text.class);
     job.setOutputValueClass(Text.class);

     //設置輸入和輸出目錄

     FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
     FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));

     System.exit(job.waitForCompletion(true) ? 0 : 1);

     }
}