MapReduce程序寻找两个用户之间共同好友

需求分析

从数据集中找出两个国家之间共同样式,这个其实跟我们两个用户之间寻找共同好友没有区别。测试数据集

拿到这个数据进行分析:例如Australia:Cup Pack
对于Australia国家拥有的两个Cup Pack样式我要如何从其他国家找到这种样式呢?问题来了，想想我们MapReduce的核心就是分而治之，先分组，在聚合,既然这样我们用样式进行分组(与共同好友同理,判断一个用户是不是两个用户之间的共同好友,查看这个用户所有的好友列表，循环遍历,利用组合的方式，好友之间不同组合(这两好友不就拥有共同好友==这个用户),实现将样式做为Key,国家做为Value
1.第一个MapReduce程序:

1. Map程序:

package com.Same.groupby.Like;

import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;


public class SameMapper extends Mapper<Text, Text, Text, Text> {
    Text v = new Text();

    @Override
    protected void map(Text key, Text value, Context context) throws IOException, InterruptedException {
//        Australia:Cup	Pack
//        Bangladesh:Pack
//        Brazil:Cup	Pack


        //1.获取一行
        String line = value.toString();

        //2.切割
        String[] fields = line.split("\t");

        //3 .此value当作key,来写(相同的key同时进入reduce方法),那么key当作value写入
        for (String var : fields) {
            v.set(var);
            context.write(v, key);
        }
    }
}

这里我使用keyvalueinputformat(我们可以不以偏移量和行文本内容来作为数据源到MapTask的输入格式，而使用键值对的形式，使用KeyValueInputFormat就可以完成这种需求。) 进行Map端数据输入

2)Reduce程序:

package com.Same.groupby.Like;

import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;
import java.util.ArrayList;

public class SameReduce extends Reducer<Text, Text, Text, Text> {
    Text key = new Text();

    @Override
    protected void reduce(Text Style, Iterable<Text> values, Context context) throws IOException, InterruptedException {

        //给出一个ArrayList集合用来存储地区(Country)
        ArrayList<String> arrayList = new ArrayList();


        for (Text value : values) {
            String var = value.toString();
            arrayList.add(var);
        }
        //接下来就是对arrayList集合进行遍历(排列组合,基本思想是我先拿出集合中第一个元素分别与集合中第二,
        // 第三....第n个元素进行组合,第二个元素又分别与集合中第三,第四....第n个元素,依次如此)
        for (int i = 0; i < arrayList.size(); i++) {
            for (int j = i + 1; j < arrayList.size(); j++) {
                key.set(arrayList.get(i) + "@" + arrayList.get(j));
                context.write(key,Style);
            }
        }
    }
}

3)主程序:

package com.Same.groupby.Like;


import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.KeyValueLineRecordReader;
import org.apache.hadoop.mapreduce.lib.input.KeyValueTextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import java.io.IOException;

public class SameDrive {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
        args = new String[]{"F:\\scala\\Workerhdfs\\OutputSame\\Same.txt", "F:\\scala\\Workerhdfs\\OutputSame2"};
        //1.获取job对象
        Configuration conf = new Configuration();
        //设置切割符,如不设置默认是\t
        conf.set(KeyValueLineRecordReader.KEY_VALUE_SEPERATOR, ":");
        Job job = Job.getInstance(conf);

        //2.设置jar存储位置
        job.setJarByClass(SameDrive.class);


        //3关联Map类与Reduce类
        job.setMapperClass(SameMapper.class);
        job.setReducerClass(SameReduce.class);


        //4.设置Mapper阶段key与value类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(Text.class);

        //5.设置最终输出的key和value类型
        job.setOutputKeyClass(Text.class);

        job.setOutputValueClass(Text.class);


        job.setInputFormatClass(KeyValueTextInputFormat.class);


        //6.设置输入和输出路径
        FileInputFormat.setInputPaths(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));

        //7.提交job
        boolean result = job.waitForCompletion(true);
        System.exit(result ? 0 : 1);


    }
}

效果如下:

这样我们只能拿到两个国家之间的一个共同样式,并且key的不同(样式不同),不同key进入的reduce task不同,在同一个reduce task中不会出现国家[e-mail]国家B 国家[e-mail]国家A,但在不同reduce task会出现这种情况，出现这种情况的原因无非就是,假如,样式1:国家A,国家B,国家C…
样式2:国家B,国家A,国家C…Map阶段进入Reduce阶段默认会进行key(样式排序)但value可不会进行一个排序,那在Reduce程序:

for (int i = 0; i < arrayList.size(); i++) {
            for (int j = i + 1; j < arrayList.size(); j++) {
                key.set(arrayList.get(i) + "@" + arrayList.get(j));
                context.write(key,Style);
            }
        }

就很容易出现国家[e-mail]国家B:样式1 国家[e-mail]国家A:样式2，进入第二个MapReduce程序处理这个文本

2.第二个MapReduce程序

1. Map程序:

**package com.Same.groupby.Style;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
public class StyleMapper extends Mapper<Text, Text, Text, Text> {
    Text k = new Text();
    @Override
    protected void map(Text key, Text value, Context context) throws IOException, InterruptedException {
//        [e-mail]	A
//        [e-mail]	A
//        [e-mail]	A
//        [e-mail]	A
        String str = key.toString();
        String[] country = str.split("@");
        int result = country[0].compareTo(country[1]);
        String tmpstr;
        if (result > 0) {
            tmpstr = country[0];
            country[0] = country[1];
            country[1] = tmpstr;
        }
        k.set(country[0] + "@" + country[1]);
        context.write(k, value);
    }
}**

这块要对上一个MapReduce文本处理的结果[e-mail]类似数据进行一个分组,样式做聚合,有可能出现[e-mail]情况,使用比较字符串的方式使用compareTo方法，ASCll码小放在@字符的前面,ASCll码大则字符串放在@后面，就避免出现这个情况,视为相同的key进入同一个reduce task
2）Reduce程序:

**package com.Same.groupby.Style;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
public class StyleReduce extends Reducer<Text, Text, Text, Text> {
    Text v = new Text();
    @Override
    protected void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {
        StringBuilder str = new StringBuilder();
        for (Text value : values) {
            str.append(value.toString() + "\t");
        }
        v.set(str.toString());
        context.write(key, v);
    }
}**

3）主程序:

package com.Same.groupby.Style;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.KeyValueLineRecordReader;
import org.apache.hadoop.mapreduce.lib.input.KeyValueTextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import java.io.IOException;

public class StyleDrive {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
        args = new String[]{"F:\\scala\\Workerhdfs\\OutputSame2\\part-r-00000", "F:\\scala\\Workerhdfs\\OutputSame3"};
        //1.获取job对象
        Configuration conf = new Configuration();
        //设置切割符,如不设置默认是\t
        conf.set(KeyValueLineRecordReader.KEY_VALUE_SEPERATOR, "\t");
        Job job = Job.getInstance(conf);

        //2.设置jar存储位置
        job.setJarByClass(StyleDrive.class);


        //3关联Map类与Reduce类
        job.setMapperClass(StyleMapper.class);
        job.setReducerClass(StyleReduce.class);


        //4.设置Mapper阶段key与value类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(Text.class);

        //5.设置最终输出的key和value类型
        job.setOutputKeyClass(Text.class);

        job.setOutputValueClass(Text.class);


        job.setInputFormatClass(KeyValueTextInputFormat.class);


        //6.设置输入和输出路径
        FileInputFormat.setInputPaths(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));

        //7.提交job
        boolean result = job.waitForCompletion(true);
        System.exit(result ? 0 : 1);

    }
}

效果如下:

解释下:其实第二个MapReduce程序中Map处理[e-mail]，[e-mail]
这一类情况可以在第一个MapReduce程序中Reduce处理,但不建议这样做,
在reduce task中处理数据比map task更耗费资源，建议能在map task中完成的任务就放在map task中,否则考虑reduce task.