分别使用Hadoop和Spark实现TopN(1)——唯一键
2017-01-21 12:36
423 查看
0.简介
TopN算法是一个经典的算法,由于每个map都只是实现了本地的TopN算法,而假设map有M个,在归约的阶段只有M x N个,这个结果是可以接受的并不会造成性能瓶颈。这个TopN算法在map阶段将使用TreeMap来实现排序,以到达可伸缩的目的。
当然算法有两种,一种是唯一键,就是说key的类型是唯一的(是指在比较的实际阶段),比如本篇就是唯一键的TopN实现;
另一种就是非唯一键,比如key值可能会有A、B、C三种,然后分别对他们求TopN,当然,我们假设数据是混在一起的,非唯一键方面的内容,将会写到另一篇博客上。
进入正题
一、输入、期望输出、思路。
由于是唯一键实际上与排序有关的只是value部分,我们大可以简单点,输入数据为一列数字好了。TopN.txt内容如下:
20 78 56 45 23 15 12 35 79 68 98 63 111 222 333 444 555
但我们设置N=10时,期望输出为:
555
444
333
222
111
98
79
78
68
63
思路嘛,在简介部分已经说的很清楚了,没必要再赘述了,直接上代码:
2.用Java编写MapReduce程序实现TopN:
为了能够真正意义上的称为TopN,这里在context里设置了N的值。所以在输入参数的时候也许相应的增加!package TopN; import java.io.IOException; import java.util.StringTokenizer; import java.util.TreeMap; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.fs.Path; import org.apache.hadoop.io.IntWritable; import org.apache.hadoop.io.NullWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Job; import org.apache.hadoop.mapreduce.Mapper; import org.apache.hadoop.mapreduce.Reducer; import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; public class TopN { public static class TopTenMapper extends Mapper<Object, Text, NullWritable, IntWritable> { private TreeMap<Integer, String> repToRecordMap = new TreeMap<Integer, String>(); public void map(Object key, Text value, Context context) { int N = 10; //默认为Top10 N = Integer.parseInt(context.getConfiguration().get("N")); StringTokenizer itr = new StringTokenizer(value.toString()); while (itr.hasMoreTokens()) { repToRecordMap.put(Integer.parseInt(itr.nextToken()), " "); if (repToRecordMap.size() > N) { repToRecordMap.remove(repToRecordMap.firstKey()); } } } protected void cleanup(Context context) { for (Integer i : repToRecordMap.keySet()) { try { context.write(NullWritable.get(), new IntWritable(i)); } catch (Exception e) { e.printStackTrace(); } } } } public static class TopTenReducer extends Reducer<NullWritable, IntWritable, NullWritable, IntWritable> { private TreeMap<Integer, String> repToRecordMap = new TreeMap<Integer, String>(); public void reduce(NullWritable key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException { int N = 10; //默认为Top10 N = Integer.parseInt(context.getConfiguration().get("N")); for (IntWritable value : values) { repToRecordMap.put(value.get(), " "); if (repToRecordMap.size() > N) { repToRecordMap.remove(repToRecordMap.firstKey()); } } for (Integer i : repToRecordMap.descendingMap().keySet()) { context.write(NullWritable.get(), new IntWritable(i)); } } } public static void main(String[] args) throws Exception { if (args.length != 3) { throw new IllegalArgumentException( "!!!!!!!!!!!!!! Usage!!!!!!!!!!!!!!: hadoop jar <jar-name> " + "TopN.TopN " + "<the value of N>" + "<input-path> " + "<output-path>"); } Configuration conf = new Configuration(); conf.set("N", args[0]); Job job = Job.getInstance(conf, "TopN"); job.setJobName("TopN"); Path inputPath = new Path(args[1]); Path outputPath = new Path(args[2]); FileInputFormat.setInputPaths(job, inputPath); FileOutputFormat.setOutputPath(job, outputPath); job.setJarByClass(TopN.class); job.setMapperClass(TopTenMapper.class); job.setReducerClass(TopTenReducer.class); job.setNumReduceTasks(1); job.setMapOutputKeyClass(NullWritable.class);// map阶段的输出的key job.setMapOutputValueClass(IntWritable.class);// map阶段的输出的value job.setOutputKeyClass(NullWritable.class);// reduce阶段的输出的key job.setOutputValueClass(IntWritable.class);// reduce阶段的输出的value System.exit(job.waitForCompletion(true) ? 0 : 1); } }
3.用Scala写Spark程序实现TopN:
依然简洁的代码:package spark import org.apache.spark.{ SparkContext, SparkConf } import org.apache.spark.rdd.RDD.rddToOrderedRDDFunctions import org.apache.spark.rdd.RDD.rddToPairRDDFunctions object TopN { def main(args: Array[String]) { var N = 10 //这里指定N的值 val conf = new SparkConf().setAppName(" TopN ") .setMaster("local") var sc = new SparkContext(conf) sc.setLogLevel("Warn") val file = sc.textFile("e:\\TopN.txt") val rdd = file.flatMap(_.split(" ")).map(x => (x.toInt, null)) .sortByKey(false).map(_._1).take(N) .foreach { println } } }
相关文章推荐
- TopN问题(分别使用Hadoop和Spark实现)
- 使用Hadoop和Spark实现TopN算法(1)——唯一键
- 分别使用Hadoop和Spark实现二次排序
- 二次排序问题(分别使用Hadoop和Spark实现)
- 使用Hadoop和Spark实现二次排序
- sparkSQL里 sql语句,dataframe,Thrift Server JDBC都可以实现对数据的查询,过滤等操作, 哪这3种情况分别是什么情况下使用
- 使用Spark core和SparkSQL的窗口函数分别实现分组取topN的操作
- Hadoop和Spark分别实现二次排序
- Hadoop概念学习系列之谈hadoop/spark里分别是如何实现容错性?(四十二)
- 在Asp.Net中使用HttpModule实现多个域名分别“绑定”到子目录
- 在Asp.Net中使用HttpModule实现多个域名分别“绑定”到子目录
- 一个Excel导入SQL server的例子(分别使用游标、CTE、master..spt_values实现)
- 一个Excel导入SQL server的例子(分别使用游标、CTE、master..spt_values实现)
- Android分别使用HTTP协议和TCP协议实现上传文件
- Android分别使用HTTP协议和TCP协议实现上传文件
- JAVA中对同一问题分别使用内部类与匿名内部类实现
- 一个Excel导入SQL server的例子(分别使用游标、CTE、master..spt_values实现)
- 用手动和自动分别实现使用其DVD安装盘作为本地yum源
- 使用php+Ajax实现唯一校验实现代码[简单应用]
- 分别使用创建XMLHttpRequest和jQuery实现用户注册前的验证