用Python编写WordCount程序任务
1. 用Python编写WordCount程序并提交任务
|
程序 |
WordCount |
|
输入 |
一个包含大量单词的文本文件 |
|
输出 |
文件中每个单词及其出现次数（频数），并按照单词字母顺序排序，每个单词和其频数占一行，单词和频数之间有间隔 |
2.编写map函数，reduce函数
import sys
for line in sys.stdin:
line=line.strip()
words=line.split()
for word in words:
print '%s %s' % (word,1)
from operator import itemgetter
import sys
current_word=None
current_count=0
word=None
for line in sys.stdin:
line=line.strip()
word,count=line.split(' ',1)
try:
count=int(count)
except ValueError:
continue
if current_word==word:
current_count+=count
else:
if current_word:
print '%s %s' % (current_word,current_count)
current_count=count
current_word=word
if current_word==word:
print '%s %s' % (current_word,current_count)
3.将其权限作出相应修改
chmod a+x /home/hadoop/wc/mapper.py chmod a+x /home/hadoop/wc/reducer.py
4.本机上测试运行代码
5.查看运行结果
2. 用mapreduce 处理气象数据集
编写程序求每日最高最低气温，区间最高最低气温
- 气象数据集下载地址为：ftp://ftp.ncdc.noaa.gov/pub/data/noaa
- 按学号后三位下载不同年份月份的数据（例如201506110136号同学，就下载2013年以6开头的数据，看具体数据情况稍有变通）
wget -D --accept-regex=REGEX -p data -r -c ftp://ftp.ncdc.noaa.gov/pub/data/noaa/2013/6*
- 解压数据集，并保存在文本文件中
zcat ftp.ncdc.noaa.gov/pub/data/noaa/2013/6*.gz >qxdatazwt.txt
- 对气象数据格式进行解析
5.编写map函数，reduce函数
- 将其权限作出相应修改
chmod a+x /home/hadoop/mapper.py chmod a+x /home/hadoop/wc/reducer.py
本机上测试运行代码
放到HDFS上运行
将之前爬取的文本文件上传到hdfs上
用Hadoop Streaming命令提交任务
查看运行结果