Hadoop WordCount统计小说每个字的出现的次数并排序

我会带着你远行 2021-10-18 14:28 228阅读 0赞

闲来无事，想看看小说中的什么字出现的频率比较高，就改了一下WordCount的程序。

**原理：**

主要的核心就是WordCount，那就先说下WordCount。

**WordCount：**

Map：

对每一行的输入，扫描到一个单词就将key设置为这个字符，将value设置为1。

Combiner：

将同一个key中的链表中的value进行求和求出暂时这个字符的次数，key不变，value为新的次数。

Reduce：

和Combiner的工作是一样的，Combiner就是为了减少中途的数据传输量。

上面就是最基础的WordCount了，我们要改进的是两个操作，一个是能读中文字符，第二个就是按照降序排列。

**一：读中文字符：**

原来的WorCount是根据空格Tab符进行分割，分割后是一个个的单词，而我们要将其改为中文字符就要用正则表达式的匹配了，在“UTF-8“编码下的中文字符的正则表达式为“\[\\\\u4e00-\\\\u9fa5\]”。（一定要小心的编码，如果编码不对结果就会出现错误，可以将文本主动保存为utf-8格式的就可以了。）然后将所有的找出来作为key就可以了。

Pattern p=Pattern.compile("[\\u4e00-\\u9fa5]");
    Matcher matcher = p.matcher(line);
                    while (matcher.find()) {
                        word.set(matcher.group());
                        context.write(word, one);
                        //System.out.println(word);
                    }

**二：降序排列：**

这个我一开始以为可以很简单的，将结果并没有我想象的那么简单，相当于在程序里执行了两次作业，一次统计词频，一次专门排序。排序作业首先在map中将前面结果中的key，value中的值对调，所以现在key是词频，而value是汉字，然后重写IntWritable的 Comparator 类：

private static class IntWritableDecreasingComparator extends IntWritable.Comparator {
            public int compare(WritableComparable a, WritableComparable b) {
                return -super.compare(a, b);
            }
    
            public int compare(byte[] b1, int s1, int l1, byte[] b2, int s2, int l2) {
                return -super.compare(b1, s1, l1, b2, s2, l2);
            }
        }

然后设置一下：

sortJob.setSortComparatorClass(IntWritableDecreasingComparator.class);

**完整代码：**

import java.io.IOException;
    import java.util.Random;
    import java.util.StringTokenizer;
    import org.apache.hadoop.conf.Configuration;
    import org.apache.hadoop.fs.FileSystem;
    import org.apache.hadoop.fs.Path;
    import org.apache.hadoop.io.IntWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.io.WritableComparable;
    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.input.SequenceFileInputFormat;
    import org.apache.hadoop.mapreduce.lib.map.InverseMapper;
    import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
    import org.apache.hadoop.mapreduce.lib.output.SequenceFileOutputFormat;
    import org.apache.hadoop.util.GenericOptionsParser;
    import java.util.regex.*;
    public class Dedup {
        public static class TokenizerMapper extends
                Mapper<Object, Text, Text, IntWritable> {
            private final static IntWritable one = new IntWritable(1);
            private Text word = new Text();
            private String pattern = "[^\\u4e00-\\u9fa5]"; // 正则表达式，代表不是0-9, a-z, A-Z的所有其它字符,其中还有下划线
            Pattern p=Pattern.compile("[\\u4e00-\\u9fa5]");
            public void map(Object key, Text value, Context context)
                    throws IOException, InterruptedException {
                String line = value.toString().toLowerCase(); // 全部转为小写字母
               // line = line.replaceAll(pattern, " "); // 将非0-9, a-z, A-Z的字符替换为空格
                //String itr[] = line.split(" ");
                //for (int i=0;i<itr.length;i++) {
                    Matcher matcher = p.matcher(line);
                    while (matcher.find()) {
                        word.set(matcher.group());
                        context.write(word, one);
                        //System.out.println(word);
                    }
    
                //}
            }
        }
        public static class IntSumReducer extends
                Reducer<Text, IntWritable, Text, IntWritable> {
            private IntWritable result = new IntWritable();
            public void reduce(Text key, Iterable<IntWritable> values,
                               Context context) throws IOException, InterruptedException {
                int sum = 0;
                for (IntWritable val : values) {
                    sum += val.get();
                }
                result.set(sum);
                context.write(key, result);
            }
        }
    
        private static class IntWritableDecreasingComparator extends IntWritable.Comparator {
            public int compare(WritableComparable a, WritableComparable b) {
                return -super.compare(a, b);
            }
    
            public int compare(byte[] b1, int s1, int l1, byte[] b2, int s2, int l2) {
                return -super.compare(b1, s1, l1, b2, s2, l2);
            }
        }
        public static void main(String[] args) throws Exception {
            Configuration conf = new Configuration();
            String[] otherArgs = new GenericOptionsParser(conf, args)
                    .getRemainingArgs();
            FileSystem fs = FileSystem.get(conf);
            if (otherArgs.length != 2) {
                System.err.println("Usage: wordcount <in> <out>");
                System.exit(2);
            }
            if(fs.exists(new Path(otherArgs[1])))
            {
                fs.delete(new Path(otherArgs[1]));
            }
            Path tempDir = new Path("wordcount-temp-" + Integer.toString(
                    new Random().nextInt(Integer.MAX_VALUE))); //定义一个临时目录
    
            Job job = new Job(conf, "word count");
            job.setJarByClass(Dedup.class);
            try{
                job.setMapperClass(TokenizerMapper.class);
                job.setCombinerClass(IntSumReducer.class);
                job.setReducerClass(IntSumReducer.class);
    
                job.setOutputKeyClass(Text.class);
                job.setOutputValueClass(IntWritable.class);
    
                FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
                FileOutputFormat.setOutputPath(job, tempDir);//先将词频统计任务的输出结果写到临时目
                //录中, 下一个排序任务以临时目录为输入目录。
                job.setOutputFormatClass(SequenceFileOutputFormat.class);
                if(job.waitForCompletion(true))
                {
                    Job sortJob = new Job(conf, "sort");
                    sortJob.setJarByClass(Dedup.class);
    
                    FileInputFormat.addInputPath(sortJob, tempDir);
                    sortJob.setInputFormatClass(SequenceFileInputFormat.class);
    
                    /*InverseMapper由hadoop库提供，作用是实现map()之后的数据对的key和value交换*/
                    sortJob.setMapperClass(InverseMapper.class);
                    /*将 Reducer 的个数限定为1, 最终输出的结果文件就是一个。*/
                    sortJob.setNumReduceTasks(1);
                    FileOutputFormat.setOutputPath(sortJob, new Path(otherArgs[1]));
    
                    sortJob.setOutputKeyClass(IntWritable.class);
                    sortJob.setOutputValueClass(Text.class);
                    /*Hadoop 默认对 IntWritable 按升序排序，而我们需要的是按降序排列。
                     * 因此我们实现了一个 IntWritableDecreasingComparator 类,
                     * 并指定使用这个自定义的 Comparator 类对输出结果中的 key (词频)进行排序*/
                    sortJob.setSortComparatorClass(IntWritableDecreasingComparator.class);
                    //fs.delete(tempDir);
                    if(sortJob.waitForCompletion(true))//删除中间文件
                        fs.delete(tempDir);
                    System.exit(sortJob.waitForCompletion(true) ? 0 : 1);
                }
            }finally{
                fs.delete(tempDir);
            }
        }
    }

**最后的结果：**

![20190812154139730.png][]

看看前面的“萧”和“炎”字，没错这就是斗破苍穹。

[20190812154139730.png]: /images/20211018/2fb4246188ae472fbc2301dfd0b79bef.png