理解MapReduce

1. 用Python编写WordCount程序并提交任务

程序	WordCount
输入	一个包含大量单词的文本文件
输出	文件中每个单词及其出现次数（频数），并按照单词字母顺序排序，每个单词和其频数占一行，单词和频数之间有间隔

1. 编写map函数，reduce函数
2. 将其权限作出相应修改

   #！/usr/bin/env python
   import sys
   for line in sys.stdin:
        line=line.strip()
        words=line.split()
        for word in words:
             print '%s	%s' % (word,1)
   
   
   
   #！/usr/bin/env python
   from operator import itemgetter
   import sys
   current_word=None
   current_count=0
   word=None
   
   for line in sys.stdin:
        line=line.strip()
        word,count=line.split('	',1)
        try:
             count=int(count)
        except ValueError:
             continue
        if current_word==word:
             current_count+=count
        else:
             if current_word:
                 print '%s	%s' % (current_word,current_count)
             current_count=count
             current_word=word
   if current_word==word:
        print '%s	%s' % (current_word,current_count)
   

   　　

3. 本机上测试运行代码

   chmod a+x /home/hadoop/wc/mapper.py
   chmod a+x /home/hadoop/wc/reducer.py
   

   　　

4. 放到HDFS上运行
   1. 将之前爬取的文本文件上传到hdfs上
   2. 用Hadoop Streaming命令提交任务
5. 查看运行结果

2. 用mapreduce 处理气象数据集

编写程序求每日最高最低气温，区间最高最低气温

1. 气象数据集下载地址为：ftp://ftp.ncdc.noaa.gov/pub/data/noaa
2. 按学号后三位下载不同年份月份的数据（例如201506110136号同学，就下载2013年以6开头的数据，看具体数据情况稍有变通）

   mkdir qx
   cd qx
   wget -D --accept-regex=REGEX -p data -r -c ftp://ftp.ncdc.noaa.gov/pub/data/noaa/20010/5*
    
   

   　　

3. 解压数据集，并保存在文本文件中
4. 对气象数据格式进行解析

   cd qx/data/ftp.ncdc.noaa.gov/pub/data/noaa/2009
   sudo zcat 8*.gz >qxdata.txt
   head qxdata.txt
   

   　　

5. 编写map函数，reduce函数

   #！/usr/bin/env python
   import sys
   for i in sys.stdin:
        i = i.strip()
        d = i[15:23]
        t = i[87:92]
        print '%s	%s' % (d,t)
   
   
   #!/usr/bin/env python
   from operator import itemggetter
   import sys
   
   current_word = None
   current_count = 0
   word = None
   
   for i in sys.stdin:
        i = i.strip()
        word,count = i.split('	', 1)
        try:
             count = int(count)
        except ValueError:
             continue
   
        if current_word == word:
            if current_count > count:
                 current_count = count
        else:
            if current_word:
                print '%s	%s' % (current_word, current_count)
            current_count = count
            current_word = word
   
   if current_word == word:
        print '%s	%s' % (current_word, current_count)
   

   　　

6. 将其权限作出相应修改

   chmod a+x /home/hadoop/qx/mapper.py
   chmod a+x /home/hadoop/qx/reducer.py
   

   　　

7. 本机上测试运行代码
8. 放到HDFS上运行
   1. 将之前爬取的文本文件上传到hdfs上
   2. 用Hadoop Streaming命令提交任务

      start-dfs.sh
      jps
      hdfs dfs -put ./*.txt /user/hadoop/input
      hdfs dfs -ls input
      

      　　

9. 查看运行结果