大數(shù)據(jù)實踐學(xué)習(xí)總結(jié)（3）－－MapReduce

關(guān)于糾結(jié)，曾經(jīng)很糾結(jié)搞大數(shù)據(jù)的人是否要學(xué)習(xí)代碼，更何況自己是售前方向的。理解原理就可以了，后來發(fā)現(xiàn)，糾結(jié)的時間越來越多。就明白了，與其糾結(jié)是否要去搞代碼，不如自己實際操作一下代碼，找一個業(yè)務(wù)場景代入之后好好學(xué)習(xí)一下。簡單來說：與其糾結(jié)，不如實干！

   簡單來說，MapReduce的學(xué)習(xí)開始感覺到吃力?？赡苁歉约褐皼]有代碼基礎(chǔ)有關(guān)，雖是學(xué)有三年大數(shù)據(jù)的原理基礎(chǔ)，但對相關(guān)代碼的實現(xiàn)還是沒有實際操作過。但敲完這一遍代碼，看到最后的WEB結(jié)果展示。心里還是多少有些欣慰。對于一些技術(shù)，你知道，了解并能夠運用到實際工作過程中是要有一個階段的。

MAP階段

  實際上這一個過程就是要你能夠?qū)⒃次募械?，單詞進行一一的統(tǒng)計，這里邊用到python語句，寫起來也很簡單。就是一個簡單的映射關(guān)系，很容易理解。

  實際上，MAP是一個分的思想，相當(dāng)于當(dāng)你有大量數(shù)據(jù)的時候，你需要首先把數(shù)據(jù)分到不同機器上。而在實際操作過程上，相當(dāng)于把你的大文件直接放在HDFS的集群上。每一臺機器上都進行相關(guān)的映射操作。Hadoop上的代碼跟VIM的代碼基本相同，區(qū)別就在于是否前邊要加上hadoop這個起始語句。這里還涉及到相關(guān)的路徑引導(dǎo)，這里主要是在JAVA環(huán)境變量里設(shè)置，當(dāng)你設(shè)置好之后，就可以通過+TAB鍵來完全工作。

Reduce階段

  這個是一個合并的過程，相當(dāng)于對你之前映射后的文件來一個合并歸約，而我這次的實踐是wordcount操作，相當(dāng)于是對所有重復(fù)的單詞來一個統(tǒng)計。

  它這個里邊涉及到的有FIFO，遍歷的算法實現(xiàn)。相當(dāng)于把你各個機器的工作結(jié)果匯總到一臺主PC上。而這一個階段的代碼要比MAP階段多。這一塊有數(shù)組的相關(guān)知識，還有累加函數(shù)，這一塊是需要有相關(guān)函數(shù)包的理解的。

   在學(xué)習(xí)MAPREDUCE過程中，發(fā)現(xiàn)自己最大的問題就是VIM命令的不熟悉，有些內(nèi)容，只有你操作過你才能更深入的理解其實現(xiàn)原理。已前只是知道其原理，而在這次MAPREDUCE的學(xué)習(xí)實踐過程中，發(fā)現(xiàn)自己的實際操作還是有些不理想，自己也對mapredeuce算是有了一個了解。周未再換一個數(shù)據(jù)集，再來把已經(jīng)會的代碼熟悉一遍。加油！

ulimit -a             #查看所能讀文件的能力#

cd /usr/local/src/                             #打開hadoop的相應(yīng)文件夾#

ls

ll                                                       #ll為查看文件的相關(guān)屬性，ls為查看相關(guān)文件夾下文件#

touch *.*                                           #建立某一個文件#

mkdir python_mr                              #建立一個文件夾#

cd /home/badou/python_mr/          #打開相關(guān)的mapreduce文件夾#

cd mapreduce_wordcount_python/  #進入相關(guān)詞頻統(tǒng)計函數(shù)，通過相應(yīng)的共享文件目標(biāo)，將源文件拷貝到此目錄下#

rm output  result.data                        #刪除之前操作過輸出的文檔#

#本地查看源文件#

cat The_Man_of_Property.txt                                   

  #查看上傳的文件，若文件太長，用ctrl+c可退出查看#

cat The_Man_of_Property.txt|  head -1                   

 #查看文件中第一個頭部信息#

cat The_Man_of_Property.txt| head  -2 | tr ' ' '\n'  

#將所有的空格都轉(zhuǎn)換成換行符#

cat The_Man_of_Property.txt| head  -2 | tr ' ' '\n' | sort -k1 -nr |

 #排序（k,k1,k1列標(biāo)示，－n -nr按大小順序OR倒序）#       

cat The_Man_of_Property.txt| head  -2 | tr ' ' '\n' | sort -k 1 | uniq -c  |head    

#把相同的行數(shù)進行統(tǒng)計#

cat The_Man_of_Property.txt| head  -2 | tr ' ' '\n' | sort -k 1 | uniq -c  | awk '{print$2"\t"$1}'  ｜head

#輸出成Key-Value形式#

cat The_Man_of_Property.txt| head  -2 | tr ' ' '\n' | sort -k 1 | uniq -c  | awk '{print$2"\t"$1}' | sort -k2 -nr | head #將輸出的K-Value形式進行排序并做頭部10行顯示#

#上傳到hadoop系統(tǒng)中進行處理#

vim ~/.bashrc                              #進入JAVA的環(huán)境變量設(shè)置#

              export PATH=$PATHJAVA_HOME/bin:/usr/local/src/hadoop-1.2.1/bin           #修改引用，將匹配擴展到hadoop#

sourc ~/.bashrc                           #保存退出后，用命令使已配的環(huán)境變量生效#

hadoop fs -ls /                         #查看hadoop下文件#

hadoop fs -rmr /The_Man_of_Property.txt     #刪除已上傳好的文檔#

hadoop fs -put The_Man_of_Property.txt /     #上傳相應(yīng)文檔，注意：必須是本目錄下文件#

hadoop fs -cat /The_Man_of_Property.txt | head       #查看hadoop上的文件，但只能看到明文文件#

hadoop fs -text /The_Man_of_Property.txt | head    #查看hadoop上的文件，可以看到密文文件和壓縮文件#     

#map.py 代碼#

import sys                                                                 #定義一個系統(tǒng)模塊#

for line in sys.stdin:                                                   #從標(biāo)準(zhǔn)輸入讀取數(shù)據(jù)#

           ss = line.strip().split(' ')                                  #對一行字串進行處理，相當(dāng)于用空格分隔每個分詞，ss是很多單詞#

           for s in ss:                                                       #對每一個單詞進行處理#

                       if  s.strip() != "":

                                 print "%s\t%s" % (s, 1)             #如果每個單詞不為完，則記這個單詞為1 #

cat The_Man_of_Property.txt | head | python map.py | head      #測試上邊的代碼是否成功#                                 

#reduce.py 代碼#

import sys

current_word = None

count_pool = []

sum = 0                                                                 #初始定義參數(shù)值#

for line in sys.stdin:                                               #從標(biāo)準(zhǔn)輸入讀每一行數(shù)值#

          word,  val = line.strip().split('\t') 

          if current_word ==None:                           #當(dāng)前單詞是否為空做為判斷條件#

                      current_word = word

          if current_word != word:

                       for count in count_pool:

                                   sum += count

                       print  "%s\t%s" % (current_word, sum)

                       current_word = word

                       count_pool = []

                       sum = 0

          count_pool.append(int（val））                                 #Key追加到相當(dāng)數(shù)組中#

for count in count_pool:

              sum += count                                                          #對Value相行重復(fù)次數(shù)求和#

print "%s\t%s" % (current_word, str(sum))                             #輸出相應(yīng)的Key-Value值#

cat The_Man_of_Property.txt | python map.py | sort -k1 | python red.py | sort -k2 -nr |head  #驗證map.py跟red.py代碼#

#run.sh shell腳本，用來啟動map.py與red.py#

HADOOP_CMD="/usr/local/src/hadoop-1.2.1/bin/hadoop"                                                                    #設(shè)置目標(biāo)路徑，便于引用#

STREAM_JAR_PATH="/usr/local/src/hadoop-1.2.1/contrib/streaming/hadoop-streaming-1.2.1.jar"

#設(shè)置STREAM_JAR_PATH路徑，便于輸入輸出#

INPUT_FILE_PATH_1="/The_Man_of_Property.txt"

OUTPUT_PATH="/output"

#  $HADOOP_CMD fs -rmr -skipTrash $OUTPUT_PATH

# Step 1.

$HADOOP_CMD jar $STREAM_JAR_PATH \

                                 -input  $INPUT_FILE_PATH_1 \

                                 -output  $OUTPUT_PATH \

                                 -mapper  "python map.py"  \

                                 -reduce    "python red.py"  \

                                 -file ./map.py \

                                 -filt ./red.py                                                              #向HADOOP上上傳相關(guān)文件#

 ./run.sh                                                                                        #直接運行這個shell腳本，調(diào)用hadoop運行相關(guān)python文件#