hadoop - map reduce 程序显示两个文件的交集

Question

Map Reduce 程序将两个文件作为输入并给出一组在两个文件中都存在的单词(两个文件的交集。)

我试过这样..

Map 函数:将文件作为输入并给出 (word, 1) 作为输出。我在一个名为 part-r-00000 的文件中得到了这个输出。这一步我对两个文件都做了，现在我有两个文件(两个 part-r-00000 文件。)

如何将此文件作为输入提供给 Reduce 函数..

并给我一些建议来为两个文件的交集编写reduce函数..

这是字数统计示例程序:

    package org.apache.hadoop.examples;

import java.io.IOException;
import java.util.StringTokenizer;

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 WordCountMap {

  public static class TokenizerMapper 
       extends Mapper<Object, Text, Text, IntWritable>{

    private final static IntWritable one = new IntWritable(1);
    private Text word = new Text();

    public void map(Object key, Text value, Context context
                    ) throws IOException, InterruptedException {
      StringTokenizer itr = new StringTokenizer(value.toString());
      while (itr.hasMoreTokens()) {
        word.set(itr.nextToken());
        context.write(word, one);
      }
    }
  }

 /* public static class IntSumReducer 
       extends Reducer<Text,IntWritable,Text,IntWritable> {
    private IntWritable result = new IntWritable();

    public void reduce(Text key, Iterable<IntWritable> values, 
                       Context context
                       ) throws IOException, InterruptedException {
      int sum = 0;
      for (IntWritable val : values) {
        sum += val.get();
      }
      result.set(sum);
      context.write(key, result);
    }
  } */

  public static void main(String[] args) throws Exception {
    Configuration conf = new Configuration();
    String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
    if (otherArgs.length != 2) {
      System.err.println("Usage: wordcount <in> <out>");
      System.exit(2);
    }
    Job job = new Job(conf, "word count");
    job.setJarByClass(WordCount.class);
    job.setMapperClass(TokenizerMapper.class);
   // job.setCombinerClass(IntSumReducer.class);
   // job.setReducerClass(IntSumReducer.class);
    job.setOutputKeyClass(Text.class);
    job.setOutputValueClass(IntWritable.class);
    FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
    FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
    System.exit(job.waitForCompletion(true) ? 0 : 1);
  }
}

Reducer 类在注释中，与 reducer 类相关的所有行都在注释中，但我仍然得到一个文件 part-r-00000.。输出是

海1这 1一个 1是 1是 1检查 1示例 1示例 1示例 1公平 1文件 1象头神 1哈多普 1怎么样 1马力 1是 1是 1是 1 map 1不是 1只有1个程序。 1个减少 1所以 1这 1这 1到 1你 1你 1

Answer 1

您应该在驱动程序代码中提到 job.setNumReduceTasks(0);。因此 part-r-00000 将不会创建。

我是这样测试的。使用 job.setNumReduceTasks(0); 并且没有 Reducer 逻辑然后 part-m-00000 生成创建没有 job.setNumReduceTasks(0); 和如果没有 Reducer 逻辑，则会生成 part-r-00000。

把这个放在上面并尝试确认。