MapReduce去重

来源：互联网发布：沧州优仕教育网络论坛编辑：程序博客网时间：2024/05/01 14:31

一：背景

很多数据源中的数据都是含有大量重复的，为此我们需要将重复的数据去掉，这也称为数据的清洗，MapReduce从Map端到Reduce端的Shuffle过程天生就有去重的功能，但是这是对输出的Key作为参照进行去重的。所以我们可以将Map端读入Value作为Key输出，就可以很方便的实现去重了。

二：技术实现

#需求有两个文件file0和file1。将两个文件中的内容合并去重。

#file0的内容如下：

112233445566789

file1的内容如下：

1998877665544212

代码实现：

public class DistinctTest {// 定义输入路径private static final String INPUT_PATH = "hdfs://liaozhongmin:9000/distinct_file/*";// 定义输出路径private static final String OUT_PATH = "hdfs://liaozhongmin:9000/out";public static void main(String[] args) {try {// 创建配置信息Configuration conf = new Configuration();// 创建文件系统FileSystem fileSystem = FileSystem.get(new URI(OUT_PATH), conf);// 如果输出目录存在，我们就删除if (fileSystem.exists(new Path(OUT_PATH))) {fileSystem.delete(new Path(OUT_PATH), true);}// 创建任务Job job = new Job(conf, DistinctTest.class.getName());//1.1设置输入目录和设置输入数据格式化的类FileInputFormat.setInputPaths(job, INPUT_PATH);job.setInputFormatClass(TextInputFormat.class);//1.2设置自定义Mapper类和设置map函数输出数据的key和value的类型job.setMapperClass(DistinctMapper.class);job.setMapOutputKeyClass(Text.class);job.setMapOutputValueClass(Text.class);//1.3设置分区和reduce数量(reduce的数量，和分区的数量对应，因为分区为一个，所以reduce的数量也是一个)job.setPartitionerClass(HashPartitioner.class);job.setNumReduceTasks(1);//1.4排序//1.5归约job.setCombinerClass(DistinctReducer.class);//2.1Shuffle把数据从Map端拷贝到Reduce端。//2.2指定Reducer类和输出key和value的类型job.setReducerClass(DistinctReducer.class);job.setOutputKeyClass(Text.class);job.setOutputValueClass(Text.class);//2.3指定输出的路径和设置输出的格式化类FileOutputFormat.setOutputPath(job, new Path(OUT_PATH));job.setOutputFormatClass(TextOutputFormat.class);// 提交作业 退出System.exit(job.waitForCompletion(true) ? 0 : 1);} catch (Exception e) {e.printStackTrace();}}public static class DistinctMapper extends Mapper<LongWritable, Text, Text, Text>{//定义写出去的key和valueprivate Text outKey = new Text();private Text outValue = new Text("");@Overrideprotected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, Text>.Context context) throws IOException, InterruptedException {//把输入的key作为value输出(因为)outKey = value;//把结果写出去context.write(outKey, outValue);}}public static class DistinctReducer extends Reducer<Text, Text, Text, Text>{@Overrideprotected void reduce(Text key, Iterable<Text> value, Reducer<Text, Text, Text, Text>.Context context) throws IOException, InterruptedException {//直接把key写出去context.write(key, new Text(""));}}}

程序运行的结果：

0 0