hadoop的Streaming学习(续)
来源:互联网 发布:阿里巴巴比淘宝 编辑:程序博客网 时间:2024/06/08 12:54
3.用Streaming处理键值对
默认情况下,Streaming使用\t分离记录中得键和值,当没有\t时,整个记录被视为键,值为空白文本。
不同于AttributeMax.py为每个键寻找最大值,这次我们试着为每个国家找到专利声明数的平均值。(Hadoop包含得名为Aggregate包,可以为每个键寻找最大值)
(1)Streaming中得mapper通过STDIN读取一个 分片,并将每一行提取为一个记录。Mapper可以选择是把每条记录翻译为一个键值对,还是一行文本
此步从 输入文件到<k1,v1>
(2) 对于mapper输出的每一行,Streaming API将之翻译为用\t分隔的键值对,类似于MapReduce中的划分,可以用pationer来处理键。最终所有键一致的key/value进入相同reducer。
(3)没个reducer以键为基准排序键值对,如同在Java模式中, 相同键的键值对被结组为一个键和一列值。reducer处理这些分组。
(4)在实践中,reducer的输出(STDOUT)被写入到一个文件中(由-output指定)
对AverageByAttributeMaper.py:
<<<<<<<<<<<<<<<<<<<Mapper daima>>>>>>>>>>>>>>>>>>>
- 无reducer方式运行时:-D mapred.reducer.tasks=0
输出由行组成:一个国家代码 \t 一个计数值 , 并且其顺序与输入记录一致
- 以IdentityReducer方式运行,设置-D mapred.reducer.tasks=1(这种方式只要不设置-reducer选项即可)
执行结束可以看到 虽然每行的内容与上一个相同,但是顺序被重排,键相同的“结组”在一起。可以根据这些信息考虑自己的reducer设计:
AverageByAttributeReducer.py——将相同键的值求和计数,在遇到新的键或到文件尾时,计算前一个键的平均值并输出到STDOUT中。
<<<<<<<<<<<<<<<<<<<<<<Reducer daima>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
这时可以运行完整的MapReduce作业。会得到真正的平均值文件。
4.通过Aggregate包使用Streaming
Hadoop有一个成为Aggregate软件包,极大简化数据集的汇总统计。尤其在使用Streaming时。
在Streaming中Aggregate包作为Reducer做聚集统计,只需提供一个mapper处理记录并以特定格式输出。输出每行如下:
function:key\tvalue
function为值聚合函数的名称(由Aggregate包中预定义函数获得),接着一组 键值对,值聚合函数列表如下:
如果要计算每年授权的专利数,考虑编写MapReduce程序的方法:
可以使mapper的输出将年设置为key,而value的值恒为1。这样reducer只需要对所有的1求和即可。使用基于Aggregate包的Streaming来实现:
AttributeCount.py
#!/usr/bin/env pythonimport sysindex = int(sys.argv[1])for line in sys.stdin: fields = line.split(",") print "LongValueSum:" + fields[index] + "\t" + "1"
关键语句:print "LongValueSum:" + fields[index] + "\t" + "1"。。按指定格式( function:key\tvalue) 打印到输出!
运行如下:
hadoop jar contrib/streaming/hadoop-streaming-0.20.203.jar \-file AttributeCount.py \-input apat63_99.txt \-output output \-mapper 'AttributeCount.py 1' \-reducer aggregate
关键在指定-reducer选项上!
表4.3中UniqValueCount给出每个键对应惟一值个数(待理解????)
ValueHistogram会输出多项内容,它要求的mapper输出格式为:
ValueHistogram:key\tvalue\tcount
- hadoop的Streaming学习(续)
- Hadoop的Streaming学习
- hadoop的streaming学习小结
- 【hadoop】Hadoop学习笔记(四):Hadoop中的streaming
- Hadoop Streaming框架学习(一)
- Hadoop Streaming框架学习(二)
- hadoop-Streaming学习
- Hadoop&&Streaming框架学习
- Hadoop Streaming框架学习
- hadoop streaming 学习笔记
- Hadoop学习笔记(四):Hadoop中的streaming
- Hadoop Streaming的使用
- hadoop学习;Streaming,aggregate;combiner
- 关于Hadoop-Streaming学习中碰到的问题
- Hadoop streaming编程学习(1):统计电影打分
- Hadoop Streaming的一些基本知识
- hadoop中Streaming的使用
- Hadoop-2.4.1学习之Streaming编程
- ubuntu 10.10下搭建android开发环境 安装必要工作用软件
- 如何有效管理工时 - 2
- 第六周实验报告2
- C#学习:综合练习聊天机器人第一版
- Java基础05(补充二)-异或的应用
- hadoop的Streaming学习(续)
- jquery插件弹出对话框
- 用静态工厂方法代替构造函数
- Qt4.6 QMessageBox 使用大全
- jquery插件之面板
- 第六周任务三之平面坐标点
- 有时候经常会出现端口占用的情况。怎么查看端口占用情况?
- Android需不需要手动退出
- 常用正则表达式