改良 WordCounting 的結果
此篇改良 WordCounting 範例，在 map function 中過濾附著在單字上的標點符號。過去 "Hello"、"Hello!"、"Hello…"、"Hello," 會被視為不同的 key 分別計算；改良後統一視為同一個 key，輸出結果為 [Hello, 4]。
開發環境
- IDE：Eclipse
- 相依管理：Maven（從 Maven Repository 取得函式庫）
專案步驟
(1) 建立新的 Maven Project
在 Eclipse 中建立新的 Maven 專案。
(2) 設定 pom.xml
在 pom.xml 加入以下相依：
- hadoop-mapreduce-client-core
- hadoop-common (version 2.6.0)
(3) 建立新的 Class 檔案
在 Eclipse 中建立新的 class 檔案。
(4) 實作程式碼
WordCount.java
package wordcount;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.*;
import org.apache.hadoop.mapred.*;
import java.io.IOException;
import java.util.Iterator;
public class WordCount {
public static class Map extends MapReduceBase implements Mapper<LongWritable, Text, Text, IntWritable> {
private final static IntWritable one = new IntWritable(1);
private Text word = new Text();
public void map(LongWritable key, Text value, OutputCollector<Text, IntWritable> output, Reporter reporter) throws IOException {
String line = value.toString();
char[] charArray = line.toCharArray();
int lastIndex = -1;
for (int i = 0; i < charArray.length; i++) {
char current = charArray[i];
if (!isEnglish(current)) {
if ((i - lastIndex) > 1) {
String candidate = line.substring(lastIndex + 1, i);
word.set(candidate);
output.collect(word, one);
}
lastIndex = i;
}
}
}
}
public static boolean isEnglish(char c) {
return (c >= 65 && c <= 90) || (c >= 97 && c <= 122);
}
public static class Reduce extends MapReduceBase implements Reducer<Text, IntWritable, Text, IntWritable> {
public void reduce(Text key, Iterator<IntWritable> values, OutputCollector<Text, IntWritable> output, Reporter reporter) throws IOException {
int sum = 0;
while (values.hasNext()) {
sum += values.next().get();
}
output.collect(key, new IntWritable(sum));
}
}
public static void main(String[] args) throws Exception {
JobConf conf = new JobConf(WordCount.class);
conf.setJobName("wordcount");
conf.setOutputKeyClass(Text.class);
conf.setOutputValueClass(IntWritable.class);
conf.setMapperClass(Map.class);
conf.setCombinerClass(Reduce.class);
conf.setReducerClass(Reduce.class);
conf.setInputFormat(TextInputFormat.class);
conf.setOutputFormat(TextOutputFormat.class);
FileInputFormat.setInputPaths(conf, new Path(args[0]));
FileOutputFormat.setOutputPath(conf, new Path(args[1]));
JobClient.runJob(conf);
}
}程式碼重點：
isEnglish()方法過濾非字母字元- map function 以 char array 處理字元，擷取不含標點的單字
- reduce function 累加相同 key 的次數
(5) 打包成 JAR 檔
用 Maven 將完成的程式碼編譯並打包成可執行的 .jar 檔案。
(6) 部署並執行
將 .jar 部署到 Hadoop 並以標準 hadoop 指令執行，流程與先前的 MapReduce WordCounting 範例相同。
原文發表於 Medium