mapreduce 去重的问题怎么解决？

 john 89
 tom 100
 mary 100
 mary 200
 tom 20
———–
我刚学mapreduce，正在练习，上面这个我计算了很久也不对，就是对第一列去重，去重后应该是3
如果用mapreduce计算成功后，part-00000 的文件内容 是：
3
请问下，这个mapreduce怎么写啊？

15 个解决方案

#1

map按第一列为key，value无所谓
reduce class中初始化一个计数器
每个reduce方法中计数器每次加一
reduce 的cleanup方法中commit计数器就可以了

#2

map 知道怎么写了，那reduce的具体怎么写啊？

#3

直接一个Map,在Map里面定义一个全局的HashSet,map方法里面把key加入进去，cleanup方法里面把结果写入就行了。

#4

学习

#5

引用 3 楼 wulinshishen 的回复:

直接一个Map,在Map里面定义一个全局的HashSet,map方法里面把key加入进去，cleanup方法里面把结果写入就行了。

只用map不可能解决这个问题
如果在不同的map中都用同一个key，怎么解决？

必须用reduce去group后的key才能得到去重效果

#6

引用 5 楼 tntzbzc 的回复:

Quote: 引用 3 楼 wulinshishen 的回复:

直接一个Map,在Map里面定义一个全局的HashSet,map方法里面把key加入进去，cleanup方法里面把结果写入就行了。

只用map不可能解决这个问题
如果在不同的map中都用同一个key，怎么解决？

必须用reduce去group后的key才能得到去重效果

嗯，对，没想那么仔细，谢谢指正。

#7

引用 4 楼 tjytad1982 的回复:

学习

   public static class Map extends Mapper<LongWritable, Text, Text, Text> {
                public void map(LongWritable key, Text value, Context context)
                                throws IOException, InterruptedException {
                        String line = value.toString();
                        try {
                                String[] lineSplit = line.split("\t");
                                context.write(new Text(lineSplit[0]), new Text(""));
                            } catch (java.lang.ArrayIndexOutOfBoundsException e) {
                                context.getCounter(Counter.LINESKIP).increment(1);
                                return;
                        }
                }
        }

        public static class Reduce extends Reducer<Text, Text, Text, Text> {
                private Set<String> count = new HashSet<String>();

                public void reduce(Text key, Iterable<Text> values, Context context)
                                throws IOException, InterruptedException {
                      for(Text value:values){
                             count.add(value.toString());
                     }
                        context.write(key, new Text(""));
                }
        }
-------------------------  这个问题纠结我2周了，这个方面的学习资料太少了，我的map和reduce是这样写的，但是数据量大一些，就会内存溢出，我想我这个思路是错误的
        你说的  “必须用reduce去group后的key才能得到去重效果 ”，这个 map和reduce是具体怎么写的啊？

#8

引用 7 楼 wzl189 的回复:

Quote: 引用 4 楼 tjytad1982 的回复:

学习

   public static class Map extends Mapper<LongWritable, Text, Text, Text> {
                public void map(LongWritable key, Text value, Context context)
                                throws IOException, InterruptedException {
                        String line = value.toString();
                        try {
                                String[] lineSplit = line.split("\t");
                                context.write(new Text(lineSplit[0]), new Text(""));
                             context.write(new Text("uniq") ,new Text(lineSplit[0]) );

                            } catch (java.lang.ArrayIndexOutOfBoundsException e) {
                                context.getCounter(Counter.LINESKIP).increment(1);
                                return;
                        }
                }
        }

        public static class Reduce extends Reducer<Text, Text, Text, Text> {
                private Set<String> count = new HashSet<String>();

                public void reduce(Text key, Iterable<Text> values, Context context)
                                throws IOException, InterruptedException {
                      for(Text value:values){
                             count.add(value.toString());
                     }
                        context.write("uniq", new Text(count.size()+""));
                }
        }
-------------------------  这个问题纠结我2周了，这个方面的学习资料太少了，我的map和reduce是这样写的，但是数据量大一些，就会内存溢出，我想我这个思路是错误的
        你说的  “必须用reduce去group后的key才能得到去重效果 ”，这个 map和reduce是具体怎么写的啊？

   -------------刚才写的mapreduce错了，以这个为准
   

#9

引用 1 楼 tntzbzc 的回复:

map按第一列为key，value无所谓
reduce class中初始化一个计数器
每个reduce方法中计数器每次加一
reduce 的cleanup方法中commit计数器就可以了

  谢谢了，请教下，你说的这个map我知道怎么写了，但是这个reduce怎么写啊？ 

#10

我晚点写个完整例子给你

#11

import java.io.IOException;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
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.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

public class wzl189_distinct {
	public static class MyMapper extends
			Mapper<Object, Text, Text, NullWritable> {

		Text outKey = new Text();

		@Override
		public void map(Object key, Text value, Context context)
				throws IOException, InterruptedException {

			String tmp[] = value.toString().split(" ");
			if (tmp.length != 2)
				return;
			outKey.set(tmp[0]);
			context.write(outKey, NullWritable.get());

		}
	}

	public static class MyReducer extends
			Reducer<Text, NullWritable, LongWritable, NullWritable> {

		long myCount = 0l;

		@Override
		public void reduce(Text key, Iterable<NullWritable> values,
				Context context) throws IOException, InterruptedException {
			++myCount;
		}

		@Override
		public void cleanup(Context context) throws IOException,
				InterruptedException {
			context.write(new LongWritable(myCount), NullWritable.get());
		};
	}

	public static void main(String[] args) throws Exception {
		Configuration conf = new Configuration();
		if (args.length != 2) {
			System.err.println("Usage: <in> <out>");
			System.exit(2);
		}

		conf.set("mapred.child.java.opts", "-Xmx350m -Xmx1024m");

		@SuppressWarnings("deprecation")
		Job job = new Job(conf, "wzl189_distinct");
		job.setNumReduceTasks(1);
		job.setInputFormatClass(TextInputFormat.class);
		job.setJarByClass(wzl189_distinct.class);
		job.setMapperClass(MyMapper.class);

		job.setMapOutputKeyClass(Text.class);
		job.setMapOutputValueClass(NullWritable.class);

		job.setReducerClass(MyReducer.class);
		job.setOutputKeyClass(Text.class);
		job.setOutputValueClass(NullWritable.class);

		FileInputFormat.addInputPath(job, new Path(args[0]));
		FileOutputFormat.setOutputPath(job, new Path(args[1]));
		System.exit(job.waitForCompletion(true) ? 0 : 1);
	}
}

reduce阶段只用一个计数器就行了

#12

引用 11 楼 tntzbzc 的回复:

import java.io.IOException;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
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.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

public class wzl189_distinct {
	public static class MyMapper extends
			Mapper<Object, Text, Text, NullWritable> {

		Text outKey = new Text();

		@Override
		public void map(Object key, Text value, Context context)
				throws IOException, InterruptedException {

			String tmp[] = value.toString().split(" ");
			if (tmp.length != 2)
				return;
			outKey.set(tmp[0]);
			context.write(outKey, NullWritable.get());

		}
	}

	public static class MyReducer extends
			Reducer<Text, NullWritable, LongWritable, NullWritable> {

		long myCount = 0l;

		@Override
		public void reduce(Text key, Iterable<NullWritable> values,
				Context context) throws IOException, InterruptedException {
			++myCount;
		}

		@Override
		public void cleanup(Context context) throws IOException,
				InterruptedException {
			context.write(new LongWritable(myCount), NullWritable.get());
		};
	}

	public static void main(String[] args) throws Exception {
		Configuration conf = new Configuration();
		if (args.length != 2) {
			System.err.println("Usage: <in> <out>");
			System.exit(2);
		}

		conf.set("mapred.child.java.opts", "-Xmx350m -Xmx1024m");

		@SuppressWarnings("deprecation")
		Job job = new Job(conf, "wzl189_distinct");
		job.setNumReduceTasks(1);
		job.setInputFormatClass(TextInputFormat.class);
		job.setJarByClass(wzl189_distinct.class);
		job.setMapperClass(MyMapper.class);

		job.setMapOutputKeyClass(Text.class);
		job.setMapOutputValueClass(NullWritable.class);

		job.setReducerClass(MyReducer.class);
		job.setOutputKeyClass(Text.class);
		job.setOutputValueClass(NullWritable.class);

		FileInputFormat.addInputPath(job, new Path(args[0]));
		FileOutputFormat.setOutputPath(job, new Path(args[1]));
		System.exit(job.waitForCompletion(true) ? 0 : 1);
	}
}

reduce阶段只用一个计数器就行了

太感谢了，你了解这么多啊，我都搞了2周，没有结果，想再请教最后一个问题：
假如 第一列是姓名，第二列是班级（先不管我这个需求是否合理）
 john 100
 john 100
 mary 100
 mary 200
 tom  200

想统计处如下结果，就是按班级人数去重
100 2
200 2

这个mapreduce怎么写啊？  望高手最后再解答下，万分感谢了。

#13

map 输出key 用 班级 + 分隔符 + 姓名
重写 grouping 实现二次排序，如果reduce num > 1 还需要重写 partition
reduce略作修改，增个姓名变量 ，比较当前姓名是否和前一个姓名是否一致，如果不一致 计数器+=1

代码就不贴了，LZ多思考一下，这种简单的MR不难解决

#14

求教，那如果是5列数据，用其中的三列来去重呢。   列之间\t 分割，行之间\n分割。map不会写呀怎么取出三列数据

#15

不错，太感谢了