我们的需求是想统计一个文件中用IK分词后每个词出现的次数，然后按照出现的次数降序排列。也就是高频词统计。
由于hadoop在reduce之后就不能对结果做什么了，所以只能分为两个job完成，第一个job统计次数，第二个job对第一个job的结果排序。 第一个job的就是hadoop最简单的例子countwords，我要说的是用hadoop对结果排序。 假设第一个job的结果输出如下：
part-r-0000文件内容：
a 5
b 4
c 74
d 78
e 1
r 64
f 4
要做的就是按照每个词出现的次数降序排列。
**********************************分割线*****************************************首先可能会出现这样的问题：
1.可能上一个job为多个reduce，也就是会产生多个结果文件，因为一个reduce就会生成一个结果文件，结果存放在上一个job输出目录下类似part-r-00的文件里。
2.需要排序的文件内容很大，所以需要考虑多个reduce的情况。
*********************************分割线*******************************怎么去设计mapreduce
1.在map阶段按照行读取文本，然后调用map方法时把上一个job的结果颠倒，也就是map后结果应该是这样的
5 a
4 b
74 c
................
.........................
4 f2.然后map后，hadoop会对结果进行分组，这时结果就会变成
(5：a)
(4:b,f)
(74:c)
3.然后按照reduce数目的大小自定义分区函数，让结果形成多个区间，比如我认为大于50的应该在一个区间，一共3个reduce，那么最后的数据应该是三个区间，大于50的直接分到第一个分区0，25到50之间的分到第二个分区1，小于25的分到第三个分区2.因为分区数和reduce数是相同的，所以不同的分区对应不同的reduce，因为分区是从0开始的，分区是0的会分到第一个reduce处理,分区是1的会分到第2个reduce处理，依次类推。并且reduce对应着输出文件，所以，第一个reduce生成的文件就会是part-r-0000，第二个reduce对应的生成文件就会是part-r-0001，依次类推，所以reduce处理时只需要把key和value再倒过来直接输出。这样最后就会让形成数目最大的字符串就会在第一个生成文件里，排好的序就会文件命的顺序。 代码如下：
*******************************分割线*****************************************map：
/**
* 把上一个mapreduce的结果的key和value颠倒，调到后就可以按照key排序了。
*
* @author zhangdonghao
*
*/
public class SortIntValueMapper extends
Mapper<LongWritable, Text, IntWritable, Text> {
private final static IntWritable wordCount = new IntWritable(1);
private Text word = new Text();
public SortIntValueMapper() {
super();
}
@Override
public void map(LongWritable key, Text value, Context context)
throws IOException, InterruptedException {
StringTokenizer tokenizer = new StringTokenizer(value.toString());
while (tokenizer.hasMoreTokens()) {
word.set(tokenizer.nextToken().trim());
wordCount.set(Integer.valueOf(tokenizer.nextToken().trim()));
context.write(wordCount, word);
}
}
}reudce:
/**
* 把key和value颠倒过来输出
* @author zhangdonghao
*
*/
public class SortIntValueReduce extends
Reducer<IntWritable, Text, Text, IntWritable> {
private Text result = new Text();
@Override
public void reduce(IntWritable key, Iterable<Text> values, Context context)
throws IOException, InterruptedException {
for (Text val : values) {
result.set(val.toString());
context.write(result, key);
}
}
}Partitioner:
/**
* 按照key的大小来划分区间，当然，key 是 int值
*
* @author zhangdonghao
*
*/
public class KeySectionPartitioner<K, V> extends Partitioner<K, V> {
public KeySectionPartitioner() {
}
@Override
public int getPartition(K key, V value, int numReduceTasks) {
/**
* int值的hashcode还是自己本身的数值
*/
//这里我认为大于maxValue的就应该在第一个分区
int maxValue = 50;
int keySection = 0;
// 只有传过来的key值大于maxValue 并且numReduceTasks比如大于1个才需要分区，否则直接返回0
if (numReduceTasks > 1 && key.hashCode() < maxValue) {
int sectionValue = maxValue / (numReduceTasks - 1);
int count = 0;
while ((key.hashCode() - sectionValue * count) > sectionValue) {
count++;
}
keySection = numReduceTasks - 1 - count;
}
return keySection;
}
}Comparator：
/**
* int的key按照降序排列
*
* @author zhangdonghao
*
*/
public class IntKeyAscComparator extends WritableComparator {
protected IntKeyAscComparator() {
super(IntWritable.class, true);
}
@Override
public int compare(WritableComparable a, WritableComparable b) {
return -super.compare(a, b);
}
}job的关键设置：
/**
* 这里是map输出的key和value类型
*/
job.setOutputKeyClass(IntWritable.class);
job.setOutputValueClass(Text.class);
job.setMapperClass(SortIntValueMapper.class);
// job.setCombinerClass(WordCountReduce.class);
job.setReducerClass(SortIntValueReduce.class);
// key按照降序排列
job.setSortComparatorClass(IntKeyAscComparator.class);
job.setPartitionerClass(KeySectionPartitioner.class);
job.setInputFormatClass(TextInputFormat.class);
job.setOutputFormatClass(TextOutputFormat.class);
/**
*这里可以放输入目录数组，也就是可以把上一个job所有的结果都放进去
**/
FileInputFormat.setInputPaths(job, inputPath);
FileOutputFormat.setOutputPath(job,outputPath);大概就是这样，亲测可用。(^__^)
2013-10-14 00:00:00