1、项目需求
一本英文书籍包含成千上万个单词，现在我们需要在大量的单词中，找出相同字母组成的所有单词
2、数据集
下面是一本英文书籍截取的一部分单词内容（书籍内容是随意写的，主要目的是实现这种需求）
3、分析
1、先看如下图
在上图中，cat、act是相同字母组成的单词，tar、rat也是相同字母组成的单词，bar只有一个，它不显示，因为没有和它是相同字母组成单词
2、基于以上分析，我们通过以下几步完成
1、在Map阶段，对每个word（单词）按字母进行排序生成sortedWord，然后输出key/value键值对(sortedWord,word)。
2、在Reduce阶段，统计出每组相同字母组成的所有单词
3、示意流程
1、以下面几个单词为例，找出相同字母组成的单词。
cat
tar
bar
act
rat
2、经过map阶段处理后，如下
key value
act cat
art tar
abr bar
act act
art rat
在这一阶段中，对每个单词按字母进行排序生成sortedWord，并将其作为key,然后输出key/value键值对(sortedWord,word)：
3、经过框架处理后，如下（这一步框架自动帮我们实现）
act,[act, cat]
art,[cat, rat]
abr,[bar]
在一阶段，根据key（sortedWord）进行分组
4、经过reduce阶段处理，如下
key value
act act,cat
art rat,tar
在一阶段，拼接一组中的所有单词，然后输出；需要说明一点，（abr,[bar]）这个被过滤掉了，因为这一组中就它一个
4、实现
上面已经分析完毕，下面我们就着手实现它。这里需要编写三块代码内容：
1、map 函数、
2、reduce函数
3、一些用来运行作业的代码。
1、map 函数
下面我们来编写 Mapper 类，实现 map() 函数
1 /* 2 3 * 排序、分组 4 5 */ 6 public static class AnagramMapper extends Mapper<LongWritable, Text, Text, Text>{ 7 8 public void map(LongWritable key, Text value,Context context) throws IOException , InterruptedException { 9 10 // 将Text转换成String 11 12 String text = value.toString(); 13 14 15 16 // 将String转换成字符数组，为排序作准备 17 18 char[] textCharArr = text.toCharArray(); 19 20 21 22 // 使用 Arrays对数组进行排序 23 24 Arrays.sort(textCharArr); 25 26 27 28 // 排序后的字符串 29 30 String sortedText = new String(textCharArr); 31 32 33 34 context.write(new Text(sortedText), value); 35 36 } 37 }
这个 Mapper 类是一个泛型类型，它有四个形参类型，分别指定 map 函数的输入键、输入值、输出键和输出值的类型。 就本示例来说，输入键是一个长整数偏移量（LongWritable），输入值是一行文本（Text）， 其次输出键、输出值也是文本类型(Text)的。
map() 方法的输入是一个键（key）和一个值（value），我们首先将 Text 类型的 value 转换成 Java 的 String 类型， 之后将其转换成字符数组，通过Arrays.sort方法对该字符数组进行排序，然后将排序后的单词作为key,源单词作为value输出。map() 方法还提供了 Context 实例用于将输出内容进行写入。 在这种情况下，我们将key、value封装成Text对象，并将它们进行写入。
2、reduce函数
下面我们来编写 Reducer类，实现reduce函数
/* * 统计相同字母组成的单词 */ public static class AnagramReduce extends Reducer<Text, Text, Text, Text>{ public void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException { // 值 StringBuilder value = new StringBuilder(); // 计数 int count = 0; // 拼接单词 for(Text text : values){ // 分割符, if(value.length() > 0){ value.append(","); } value.append(text); // 计数 count++; } // 因为我们要统计相同字母组成的单词，所以相同字母组成的单词个数大于等于2才会输出 if(count > 1){ context.write(key, new Text(value.toString())); } } }
同样，reduce 函数也有四个形式参数类型用于指定输入和输出类型。reduce 函数的输入类型必须匹配 map 函数的输出类型：即 Text 类型和Text类型。 在这种情况下，reduce 函数的输出类型也是 Text 和 Text 类型。在 map 的输出结果中，所有相同key的键值对被分配到同一个reduce执行，通过迭代来拼接所有单词，并将一组中只有一个单词的过滤掉
3、一些用来运行作业的代码
1 public int run(String[] arg0) throws Exception { 2 3 // 加载配置 4 5 Configuration conf = new Configuration(); 6 7 8 9 // 输出目录，如果存在就删除 10 11 Path path = new Path(arg0[1]); 12 13 FileSystem fileSystem = path.getFileSystem(conf); 14 15 if(fileSystem.isDirectory(path)){ 16 17 fileSystem.delete(path, true); 18 19 } 20 21 22 23 // 创建job对象 24 25 Job job = new Job(conf,"anagram"); 26 27 job.setJarByClass(Anagram.class); 28 29 30 31 // 指定输入、输出目录 32 33 FileInputFormat.addInputPath(job, new Path(arg0[0])); 34 35 FileOutputFormat.setOutputPath(job, new Path(arg0[1])); 36 37 38 39 // 指定mapper、reduce 40 41 job.setMapperClass(AnagramMapper.class); 42 43 job.setReducerClass(AnagramReduce.class); 44 45 46 47 // 指定mapper、reduce的输出类型 48 49 job.setOutputKeyClass(Text.class); 50 51 job.setOutputValueClass(Text.class); 52 53 54 55 // 提交作业 56 57 return job.waitForCompletion(true) ? 0: 1; 58 59 }
1 public static void main(String[] args) throws Exception { 2 3 String[] arg0 = { 4 5 "hdfs://ljc:9000/buaa/anagram", 6 7 "hdfs://ljc:9000/buaa/anagram/out" 8 9 }; 10 11 12 13 // 执行mapperreduce 14 15 int status = ToolRunner.run(new Configuration(), new Anagram(), arg0); 16 17 18 19 System.exit(status); 20 }
Configuration 类读取 Hadoop 的配置文件，如 site-core.xml、mapred-site.xml、hdfs-site.xml 等。
Job 对象指定作业执行规范，我们可以用它来控制整个作业的运行。我们在 Hadoop 集群上运行这个作业时，要把代码打包成一个JAR文件(Hadoop在集群上发布这个文件)。 不必明确指定 JAR 文件的名称，在 Job 对象的 setJarByClass 方法中传递一个类即可，Hadoop 利用这个类来查找包含它的 JAR 文件，进而找到相关的 JAR 文件；构造 Job 对象之后，需要指定输入和输出数据的路径
以下特别说明：
1、调用 FileInputFormat 类的静态方法 addInputPath() 来定义输入数据的路径，这个路径可以是单个的文件、一个目录（此时，将目录下所有文件当作输入）或符合特定文件模式的一系列文件。由函数名可知，可以多次调用 addInputPath() 来实现多路径的输入。
2、调用 FileOutputFormat 类中的静态方法 setOutputPath() 来指定输出路径（只能有一个输出路径）。这个方法指定的是 reduce 函数输出文件的写入目录。 在运行作业前该目录是不应该存在的，否则 Hadoop 会报错并拒绝运行作业。这种预防措施的目的是防止数据丢失（长时间运行的作业如果结果被意外覆盖，肯定是件可怕的事情）。
3、通过 setMapperClass() 和 setReducerClass() 指定 map 类型和reduce 类型。
4、通过setOutputKeyClass() 和 setOutputValueClass() 控制 map 和 reduce 函数的输出类型，正如本例所示，这两个输出类型一般都是相同的。如果不同，则通过 setMapOutputKeyClass()和setMapOutputValueClass()来设置 map 函数的输出类型。
5、输入的类型通过 InputFormat 类来控制，我们的例子中没有设置，因为使用的是默认的 TextInputFormat（文本输入格式）。
6、Job 中的 waitForCompletion() 方法提交作业并等待执行完成。该方法中的布尔参数是个详细标识，所以作业会把进度写到控制台。 waitForCompletion() 方法返回一个布尔值，表示执行的成（true）败（false），这个布尔值被转换成程序的退出代码 0 或者 1。
5、结果
6、其他问题
3、代码及数据
如果，您认为阅读这篇博客让您有些收获，不妨点击一下右下角的【推荐】。
如果，您希望更容易地发现我的新博客，不妨点击一下左下角的【关注我】。
如果，您对我的博客所讲述的内容有兴趣，请继续关注我的后续博客，我是【刘超★ljc】。
本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接，否则保留追究法律责任的权利。