网站建设哪家好万维科技/小学生关键词大全

从wordcount词频统计代码到倒排索引的改编
分析word count代码
Map中输出了单词和intwriteable类的对象one，而倒排索引，需要输出单词和文件名@偏移，偏移是key中含有的，使用.tostring方法就可以将它变成字符串与文件名和@连接。要输出文件名，需要导入Fliesplit类，将输入的文件分开，并通过.getname()方法获得文件名。
Reduce中，wordcount输入是单词和intwriteable类的one，输出是单词和sum后的数字。而倒排索引输入是单词和Text类的字符串，并将相同单词的字符串通过“；”拼接起来。
修改后的代码
package wordcount;
//导入必要的package
import java.io.IOException; //报错类
import java.util.Iterator;//迭代器，与string和next有关
import java.util.StringTokenizer; //StringTokenizer类，用于将空白字符作为分割符的类
import org.apache.hadoop.mapreduce.lib.input.FileSplit;//文件分割类，使用它可以获取文件的文件路径等信息。
import org.apache.hadoop.conf.Configuration;//Hadoop中用于读取配置信息的类
import org.apache.hadoop.fs.Path; //有关文件系统输入输出数据的类
import org.apache.hadoop.io.IntWritable; //封装定义了IntWritable类
import org.apache.hadoop.io.Text; //封装定义了Text类
import org.apache.hadoop.mapreduce.Job; //封装定义了Job类
import org.apache.hadoop.mapreduce.Mapper; //封装定义了Mapper类
import org.apache.hadoop.mapreduce.Reducer; //封装定义了Reducer类
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; //文件输入要用到的类
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; //文件输出要用到的类
import org.apache.hadoop.util.GenericOptionsParser; //GenericOptionsParser类，用来解释常用hadoop命令，并根据需要为Configuration对象设置相应的值

public class daopai{

public static class TokenizerMapper
extends Mapper<Object, Text, Text, Text>{ //自定义的TokenizerMapper类，继承自前面导入的Mapper类
@Override//想重写父类的方法，比如toString()方法的话，在方法前面加上@Override 系统可以帮你检查方法的正确性
public void map(Object key, Text value, Context context //定义Map方法
) throws IOException, InterruptedException {

//这里说一下context类，它是Mapper的一个内部类，它用来与MapReduce系统进行通信，如把map的结果传给reduce处理。简单的说顶级接口用它在map或是reduce任务中跟踪task的状态，MapContext就是记录了map执行的上下文，在mapper类中，这个context可以存储一些job conf的信息，同时context作为了map和reduce执行中各个函数的一个桥梁，我们可以在map函数中处理这个信息
final Text word = new Text(); //实例化了一个Text类的对象word
final FileSplit fs;//实例化了一个FileSplit类的对象fs
fs = (FileSplit)context.getInputSplit();//将input的文件分割
String docName = fs.getPath().getName();//获取当前的文件名。
StringTokenizer itTokenizer = new StringTokenizer(value.toString());
StringTokenizer itr = new StringTokenizer(value.toString());//实例化了一个以空白字符为分隔符的StringTokenizer类的对象itr
Text fileName_lineOffset=new Text(docName+’@’+key.toString()+’;’);
while (itr.hasMoreTokens()) {//如果判断还有下一个分隔符（空格）
word.set(itr.nextToken()); //则输出并返回之间的字符串给word
context.write(word, fileName_lineOffset); //context.write方法将（word，fileName_lineOffset）这样的二元组存入context中
}
}
}

public static class IntSumReducer //自定义的IntSumReducer类，继承自前面导入的Reducer类
extends Reducer<Text,Text,Text,Text> {
private Text result =new Text(); //实例化了一个IntWritable类的result对象

public void reduce(Text key, Iterable<Text> values,Context context//定义Reduce方法，这里迭代器（Iterator）是一种设计模式，它是一个对象，它可以遍历并选择序列（IntWritable）中的对象，而开发人员不需要了解该序列的底层结构。) throws IOException, InterruptedException {StringBuffer temp = new StringBuffer();
for(Text val:values){temp.append(val.toString());//StringBuffer只能用append方法}
String lala = temp.toString().substring(0,temp.toString().lastIndexOf(";"));//根据题目要求去掉最后一个分号result.set(lala);//将sum赋给resultcontext.write(key, result);//输出最终结果
}

}

public static void main(String[] args) throws Exception {
Configuration conf = new Configuration();
//运行MapReduce程序前都要初始化Configuration，该类主要是读取MapReduce系统配置信息，这些信息包括hdfs还有MapReduce，也就是安装hadoop时候的配置文件例如：core-site.xml、hdfs-site.xml和mapred-site.xml等等文件里的信息，有些童鞋不理解为啥要这么做，这个是没有深入思考MapReduce计算框架造成，我们程序员开发MapReduce时候只是在填空，在map函数和reduce函数里编写实际进行的业务逻辑，其它的工作都是交给MapReduce框架自己操作的，但是至少我们要告诉它怎么操作啊，比如hdfs在哪里，MapReduce的jobstracker在哪里，而这些信息就在conf包下的配置文件里。

String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
if (otherArgs.length < 2) {System.err.println("Usage: wordcount <in> [<in>...] <out>");System.exit(2);
}//If的语句好理解，就是运行WordCount程序时候一定是两个参数，如果不是就会报错退出。至于第一句里的GenericOptionsParser类，它是用来解释常用hadoop命令，并根据需要为Configuration对象设置相应的值
Job job = Job.getInstance(conf, "daopai");//用Job.getInstance方法设置作业名为word count
job.setJarByClass(daopai.class);           //为job的输出数据设置Key类
job.setMapperClass(TokenizerMapper.class);    //设置Mapper类(Map阶段使用)
job.setReducerClass(IntSumReducer.class);     //设置Reducer类（Reduce阶段使用）
job.setOutputKeyClass(Text.class);            //为job的输出数据设置Key类，规定Reduce输出的Key类型为Text
job.setOutputValueClass(Text.class);   //设置Reduce输出的Value类型为Textfor (int i = 0; i < otherArgs.length - 1; ++i) { //设置输入输出路径      FileInputFormat.addInputPath(job, new Path(otherArgs[i]));
}
FileOutputFormat.setOutputPath(job,new Path(otherArgs[otherArgs.length - 1]));
System.exit(job.waitForCompletion(true) ? 0 : 1);//等待任务执行完毕退出

}
}
输出结果