MapReduce实战：查找相同字母组成的单词

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

 /*

 * 排序、分组

 */
 public static class AnagramMapper extends Mapper<LongWritable, Text, Text, Text>{

     public void map(LongWritable key, Text value,Context context) throws IOException , InterruptedException {

         // 将Text转换成String

         String text = value.toString();

         // 将String转换成字符数组，为排序作准备

         char[] textCharArr = text.toCharArray();

         // 使用 Arrays对数组进行排序

         Arrays.sort(textCharArr);

         // 排序后的字符串

         String sortedText = new String(textCharArr);

         context.write(new Text(sortedText), value);

     }
 }

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

 public int run(String[] arg0) throws Exception {

     // 加载配置

     Configuration conf = new Configuration();

     // 输出目录，如果存在就删除

     Path path = new Path(arg0[1]);

     FileSystem fileSystem = path.getFileSystem(conf);

     if(fileSystem.isDirectory(path)){

         fileSystem.delete(path, true);

     }

     // 创建job对象

     Job job = new Job(conf,"anagram");

     job.setJarByClass(Anagram.class);

     // 指定输入、输出目录

     FileInputFormat.addInputPath(job, new Path(arg0[0]));

     FileOutputFormat.setOutputPath(job, new Path(arg0[1]));

     // 指定mapper、reduce

     job.setMapperClass(AnagramMapper.class);

     job.setReducerClass(AnagramReduce.class);

     // 指定mapper、reduce的输出类型

     job.setOutputKeyClass(Text.class);

     job.setOutputValueClass(Text.class);    

     // 提交作业

     return job.waitForCompletion(true) ? 0: 1;

 }

 public static void main(String[] args) throws Exception {

         String[] arg0 = {

         "hdfs://ljc:9000/buaa/anagram",

         "hdfs://ljc:9000/buaa/anagram/out"

     };

     // 执行mapperreduce

     int status = ToolRunner.run(new Configuration(), new Anagram(), arg0);

     System.exit(status);
 }

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

1、hadoop环境配置

2、基于Eclipse的hadoop开发环境配置

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。