reducer里aggregate函数的使用
来源:互联网 发布:一刀流 游戏源码 编辑:程序博客网 时间:2024/06/06 03:33
1.streaming的作用
Haoop支持用其他语言来编程,需要用到名为Streaming的通用API。
Streaming主要用于编写简单,短小的MapReduce程序,可以通过脚本语言编程,开发更快捷,并充分利用非Java库。
HadoopStreaming使用Unix中的流与程序交互,从stdin输入数据,从stdout输出数据。实际上可以用任何命令作为mapper和reducer。数据流示意如下:
cat [intput_file] | [mapper] | sort | [reducer] > [output_file]
2.使用方法
使用如下命令:
hadoop jar contrib/streaming/hadoop-streaming-0.20.203.0.jar \
>-input cite75_99.txt \ > -output output \ >-mapper 'cut -f 2 -d ,' \ >-reducer 'uniq'
第一行表示使用的StreamingAPI,位于图中位置得jar包中
-input和 -output参数用于设置输入输出文件或目录
-mapper和-reducer通过引号中得参数进行设定,分别进行了截取第二列数据,
uniq进行了排序去重。
注意:每行是完全按照字母方式排序,因为Streaming完全采用文本方式处理数据,而不知道其他得数据类型。输出结果如下:
kqiao@ubuntu:~/hadoop-0.20.203.0$ hadoop fs -cat outputStreaming/part-00000 | head -10
“CITED”
1
10000
100000
1000006
1000007
1000011
1000017
1000026
1000033
……
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:
<<<<<<<<<<<<<<<<<<>>>>>>>>>>>>>>>>>>
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。
<<<<<<<<<<<<<<<<<<<<<>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
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
1
2
3
4
5
6
#!/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:
1
2
3
4
5
6
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
- reducer里aggregate函数的使用
- Linq的Aggregate函数的使用
- Linq的Aggregate函数的使用
- MongoDB aggregate聚合函数的使用
- aggregate 函数使用示例
- MongoDB的聚合函数 Aggregate
- MongoDB的聚合函数 Aggregate
- SPARK里的reduce(),fold(),以及aggregate()
- pyspark aggregate函数使用问题(aggregate重写,aggregate中的函数参数限制)
- node.js 调用 mongoose 的 aggregate 函数
- django的aggregate()和annotate()函数用法
- 使用 聚合函数(aggregate function)时,SQL语句的返回值的注意事项
- Reducer 是纯函数
- LINQ中Aggregate的使用实例
- MongoDB中聚合(aggregate)的使用
- mongoDB中管道的使用,aggregate
- 使用mongodb的aggregate解决变态需求
- 使用java 操作mongodb的aggregate
- 最近在学python web初体验
- 【MTK官方工具】最好用的MTK官方工具
- MSSQL 2005,2008,2012收缩清空删除大日志文件
- PHP配置文件详解php.ini
- Java NIO原理图文分析及代码实现
- reducer里aggregate函数的使用
- 汇编复习1--十进制输出的两种方式
- 网络与线程编程(第七节:TCP与数据包)
- SQLite插入多条语句很慢
- 嵌入式C开发---用循环实现左移右移
- Postfix
- jquery+自定义dialog实现弹出div添加数据
- elasticsearch-analysis-ik 分词插件安装及配置
- Android studio中如何撤销svn的关联