Hadoop Map减少代码的前N个值

你有两个明显的选择:

有两个MapReduce作业:

WordCount:计算所有单词(几乎就是这个例子)

TopN:找到某些东西的前N个MapReduce作业(这里有一些例子:源代码,博客文章)

让WordCount的输出写入HDFS.然后,让TopN读取该输出.这称为作业链,有许多方法可以解决这个问题:oozie,bash脚本,从你的驱动程序中解雇两个作业等.

你需要两个工作的原因是你正在做两个聚合:一个是字数,第二个是topN.通常在MapReduce中,每个聚合都需要自己的MapReduce作业.

首先,让您的WordCount作业运行数据.然后,使用一些bash将顶部N拉出来.

hadoop fs -cat /output/of/wordcount/part* | sort -n -k2 -r | head -n20

sort -n -k2 -r说"按列#2按数字排序,按降序排列".head -n20排在前二十位.

这是WordCount的更好选择,因为WordCount可能只输出数千或数万行的顺序,并且您不需要MapReduce作业.请记住,仅仅因为你有hadoop并不意味着你应该用Hadoop解决所有问题.

一个非显而易见的版本,这是一个棘手但混合了以上两个...

写一个WordCount MapReduce作业,但是在Reducer中做了类似我之前向你展示的TopN MapReduce作业.然后,让每个reducer只输出该reducer的TopN结果.

因此,如果您正在进行前十名,每个减速器将输出10个结果.假设您有30个减速器,您将输出300个结果.

然后,使用bash执行与选项#2相同的操作:

hadoop fs -cat /output/of/wordcount/part* | sort -n -k2 -r | head -n10

这应该更快,因为您只对结果的一小部分进行后处理.

这是我能想到的最快的方式,但这可能不值得.