大数据实践学习总结（3）－－MapReduce

关于纠结，曾经很纠结搞大数据的人是否要学习代码，更何况自己是售前方向的。理解原理就可以了，后来发现，纠结的时间越来越多。就明白了，与其纠结是否要去搞代码，不如自己实际操作一下代码，找一个业务场景代入之后好好学习一下。简单来说：与其纠结，不如实干！

   简单来说，MapReduce的学习开始感觉到吃力。可能是跟自己之前没有代码基础有关，虽是学有三年大数据的原理基础，但对相关代码的实现还是没有实际操作过。但敲完这一遍代码，看到最后的WEB结果展示。心里还是多少有些欣慰。对于一些技术，你知道，了解并能够运用到实际工作过程中是要有一个阶段的。

MAP阶段

  实际上这一个过程就是要你能够将源文件中的，单词进行一一的统计，这里边用到python语句，写起来也很简单。就是一个简单的映射关系，很容易理解。

  实际上，MAP是一个分的思想，相当于当你有大量数据的时候，你需要首先把数据分到不同机器上。而在实际操作过程上，相当于把你的大文件直接放在HDFS的集群上。每一台机器上都进行相关的映射操作。Hadoop上的代码跟VIM的代码基本相同，区别就在于是否前边要加上hadoop这个起始语句。这里还涉及到相关的路径引导，这里主要是在JAVA环境变量里设置，当你设置好之后，就可以通过+TAB键来完全工作。

Reduce阶段

  这个是一个合并的过程，相当于对你之前映射后的文件来一个合并归约，而我这次的实践是wordcount操作，相当于是对所有重复的单词来一个统计。

  它这个里边涉及到的有FIFO，遍历的算法实现。相当于把你各个机器的工作结果汇总到一台主PC上。而这一个阶段的代码要比MAP阶段多。这一块有数组的相关知识，还有累加函数，这一块是需要有相关函数包的理解的。

   在学习MAPREDUCE过程中，发现自己最大的问题就是VIM命令的不熟悉，有些内容，只有你操作过你才能更深入的理解其实现原理。已前只是知道其原理，而在这次MAPREDUCE的学习实践过程中，发现自己的实际操作还是有些不理想，自己也对mapredeuce算是有了一个了解。周未再换一个数据集，再来把已经会的代码熟悉一遍。加油！

ulimit -a             #查看所能读文件的能力#

cd /usr/local/src/                             #打开hadoop的相应文件夹#

ls

ll                                                       #ll为查看文件的相关属性，ls为查看相关文件夹下文件#

touch *.*                                           #建立某一个文件#

mkdir python_mr                              #建立一个文件夹#

cd /home/badou/python_mr/          #打开相关的mapreduce文件夹#

cd mapreduce_wordcount_python/  #进入相关词频统计函数，通过相应的共享文件目标，将源文件拷贝到此目录下#

rm output  result.data                        #删除之前操作过输出的文档#

#本地查看源文件#

cat The_Man_of_Property.txt                                   

  #查看上传的文件，若文件太长，用ctrl+c可退出查看#

cat The_Man_of_Property.txt|  head -1                   

 #查看文件中第一个头部信息#

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

#将所有的空格都转换成换行符#

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

 #排序（k,k1,k1列标示，－n -nr按大小顺序OR倒序）#       

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

#把相同的行数进行统计#

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

#输出成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 #将输出的K-Value形式进行排序并做头部10行显示#

#上传到hadoop系统中进行处理#

vim ~/.bashrc                              #进入JAVA的环境变量设置#

              export PATH=$PATHJAVA_HOME/bin:/usr/local/src/hadoop-1.2.1/bin           #修改引用，将匹配扩展到hadoop#

sourc ~/.bashrc                           #保存退出后，用命令使已配的环境变量生效#

hadoop fs -ls /                         #查看hadoop下文件#

hadoop fs -rmr /The_Man_of_Property.txt     #删除已上传好的文档#

hadoop fs -put The_Man_of_Property.txt /     #上传相应文档，注意：必须是本目录下文件#

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压缩文件#     

#map.py 代码#

import sys                                                                 #定义一个系统模块#

for line in sys.stdin:                                                   #从标准输入读取数据#

           ss = line.strip().split(' ')                                  #对一行字串进行处理，相当于用空格分隔每个分词，ss是很多单词#

           for s in ss:                                                       #对每一个单词进行处理#

                       if  s.strip() != "":

                                 print "%s\t%s" % (s, 1)             #如果每个单词不为完，则记这个单词为1 #

cat The_Man_of_Property.txt | head | python map.py | head      #测试上边的代码是否成功#                                 

#reduce.py 代码#

import sys

current_word = None

count_pool = []

sum = 0                                                                 #初始定义参数值#

for line in sys.stdin:                                               #从标准输入读每一行数值#

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

          if current_word ==None:                           #当前单词是否为空做为判断条件#

                      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追加到相当数组中#

for count in count_pool:

              sum += count                                                          #对Value相行重复次数求和#

print "%s\t%s" % (current_word, str(sum))                             #输出相应的Key-Value值#

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

#run.sh shell脚本，用来启动map.py与red.py#

HADOOP_CMD="/usr/local/src/hadoop-1.2.1/bin/hadoop"                                                                    #设置目标路径，便于引用#

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

#设置STREAM_JAR_PATH路径，便于输入输出#

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上上传相关文件#

 ./run.sh                                                                                        #直接运行这个shell脚本，调用hadoop运行相关python文件#