当前位置：首页 > news >正文

MapReduce实现TopK

news 来源：原创 2024/5/3 19:28:27

2019独角兽企业重金招聘Python工程师标准>>>

需求: HTTP日志文件中全部流量前80%的记录, 按流量值降序排序

输出格式 <phoneNB,sum_flow>

HTTP日志文件:

1363157985066  13726230503 00-FD-07-A4-72-B8:CMCC 120.196.100.82 i02.c.aliimg.com  24 27 2481 24681 200
1363157995052  13826544101 5C-0E-8B-C7-F1-E0:CMCC 120.197.40.4   4 0 264 0 200
1363157991076  13926435656 20-10-7A-28-CC-0A:CMCC 120.196.100.99   2 4 132 1512 200
1363154400022  13926251106 5C-0E-8B-8B-B1-50:CMCC 120.197.40.4   4 0 240 0 200
1363157993044  18211575961 94-71-AC-CD-E6-18:CMCC-EASY 120.196.100.99 iface.qiyi.com 视频网站 15 12 1527 2106 200
1363157995074  84138413 5C-0E-8B-8C-E8-20:7DaysInn 120.197.40.4 122.72.52.12  20 16 4116 1432 200
1363157993055  13560439658 C4-17-FE-BA-DE-D9:CMCC 120.196.100.99   18 15 1116 954 200
1363157995033  15920133257 5C-0E-8B-C7-BA-20:CMCC 120.197.40.4 sug.so.360.cn 信息安全 20 20 3156 2936 200
1363157983019 13719199419 68-A1-B7-03-07-B1:CMCC-EASY 120.196.100.82   4 0 240 0 200
1363157984041  13660577991 5C-0E-8B-92-5C-20:CMCC-EASY 120.197.40.4 s19.cnzz.com 站点统计 24 9 6960 690 200
1363157973098  15013685858 5C-0E-8B-C7-F7-90:CMCC 120.197.40.4 rank.ie.sogou.com 搜索引擎 28 27 3659 3538 200
1363157986029  15989002119 E8-99-C4-4E-93-E0:CMCC-EASY 120.196.100.99 www.umeng.com 站点统计 3 3 1938 180 200
1363157992093  13560439658 C4-17-FE-BA-DE-D9:CMCC 120.196.100.99   15 9 918 4938 200
1363157986041  13480253104 5C-0E-8B-C7-FC-80:CMCC-EASY 120.197.40.4   3 3 180 180 200
1363157984040  13602846565 5C-0E-8B-8B-B6-00:CMCC 120.197.40.4 2052.flash2-http.qq.com 综合门户 15 12 1938 2910 200
1363157995093  13922314466 00-FD-07-A2-EC-BA:CMCC 120.196.100.82 img.qfc.cn  12 12 3008 3720 200
1363157982040  13502468823 5C-0A-5B-6A-0B-D4:CMCC-EASY 120.196.100.99 y0.ifengimg.com 综合门户 57 102 7335 110349 200
1363157986072  18320173382 84-25-DB-4F-10-1A:CMCC-EASY 120.196.100.99 input.shouji.sogou.com 搜索引擎 21 18 9531 2412 200
1363157990043  13925057413 00-1F-64-E1-E6-9A:CMCC 120.196.100.55 t3.baidu.com 搜索引擎 69 63 11058 48243 200
1363157988072  13760778710 00-FD-07-A4-7B-08:CMCC 120.196.100.82   2 2 120 120 200
1363157985066  13726238888 00-FD-07-A4-72-B8:CMCC 120.196.100.82 i02.c.aliimg.com  24 27 2481 24681 200
1363157993055  13560436666 C4-17-FE-BA-DE-D9:CMCC 120.196.100.99   18 15 1116 954 200

定义FlowBean类,该类实现WritableComparable接口

实现write(), readFields(), compareTo()方法

public class FlowBean implements WritableComparable<FlowBean> {
 private String phoneNB;// 号码
 private long up_flow;// 上行流量
 private long down_flow;// 下行流量
 private long sum_flow;// 总流量
 public String getPhoneNB() {
  return phoneNB;
 }
 public void setPhoneNB(String phoneNB) {
  this.phoneNB = phoneNB;
 }
 public long getUp_flow() {
  return up_flow;
 }
 public void setUp_flow(long up_flow) {
  this.up_flow = up_flow;
 }
 public long getDown_flow() {
  return down_flow;
 }
 public void setDown_flow(long down_flow) {
  this.down_flow = down_flow;
 }
 public long getSum_flow() {
  return sum_flow;
 }
 public void setSum_flow(long sum_flow) {
  this.sum_flow = sum_flow;
 }
 public FlowBean() {
 }
 public FlowBean(String phoneNB, long up_flow, long down_flow) {
  this.phoneNB = phoneNB;
  this.up_flow = up_flow;
  this.down_flow = down_flow;
  this.sum_flow = up_flow + down_flow;
 }
 /**
  * up_flow + "\t" + down_flow + "\t" + sum_flow
  */
 @Override
 public String toString() {
  return up_flow + "\t" + down_flow + "\t" + sum_flow;
 }
 /**
  * 序列化, 序列化与反序列化各属性顺序一致
  */
 @Override
 public void write(DataOutput out) throws IOException {
  out.writeUTF(phoneNB);
  out.writeLong(up_flow);
  out.writeLong(down_flow);
  out.writeLong(sum_flow);
 }
 /**
  * 反序列化, 反序列化与序列化各属性顺序一致
  */
 @Override
 public void readFields(DataInput in) throws IOException {
  phoneNB = in.readUTF();
  up_flow = in.readLong();
  down_flow = in.readLong();
  sum_flow = in.readLong();
 }
 /**
  * 按总流量降序排序, 但总流量相等时, 两个FlowBean对象内容并不相等
  */
 @Override
 public int compareTo(FlowBean o) {
  if (sum_flow == o.sum_flow) {
   return 1;
  }
  return -Long.compare(sum_flow, o.sum_flow);
 }
}

定义Mapper类TopKFlowMapper

并重写map方法

 public class TopKFlowMapper extends Mapper<LongWritable, Text, Text, FlowBean> {
  // mapper输出格式: <phoneNB,{bean,bean,bean,.......}>
  @Override
  protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
   String line = value.toString();
   String[] data = StringUtils.split(line, "\t");
   String phoneNB = data[1];
   long up_flow = Long.parseLong(data[7]);
   long down_flow = Long.parseLong(data[8]);
   context.write(new Text(phoneNB), new FlowBean(phoneNB, up_flow, down_flow));
  }
 }

定义Reducer类TopKFlowReducer

并实现reduce(), 重写cleanup()方法

 public class TopKFlowReducer extends Reducer<Text, FlowBean, Text, VLongWritable> {
  // 利用TreeMap的排序功能, 将FlowBean对象按总流量降序排序
  private Map<FlowBean, String> treeMap = new TreeMap<FlowBean, String>();
  private double globalFlow = 0;// 全局流量计数器, 初值值为0
  // reducer输入格式: <phoneNB,{bean,bean,bean,.......}>
  @Override
  protected void reduce(Text key, Iterable<FlowBean> values, Context context)
    throws IOException, InterruptedException {
   long up_sum = 0;
   long down_sum = 0;
   for (FlowBean bean : values) {
    up_sum += bean.getUp_flow();
    down_sum += bean.getDown_flow();
   }
   // 每求得一条phoneNB的总流量, 就累加到全局流量计数器globalCount中
   globalFlow += (up_sum + down_sum);
   // 利用TreeMap的排序功能, 将FlowBean对象按总流量降序排序
   treeMap.put(new FlowBean("", up_sum, down_sum), key.toString());
  }
  // cleanup方法是在reduce阶段退出前被调用一次
  @Override
  protected void cleanup(Context context) throws IOException, InterruptedException {
   double itemCount = 0;
   for (Map.Entry<FlowBean, String> item : treeMap.entrySet()) {
    if (itemCount > globalFlow * 0.8) {
     return;
    }
    // 只输出全局流量计数器globalCount前80%的记录
    context.write(new Text(item.getValue()), new VLongWritable(item.getKey().getSum_flow()));
    itemCount += item.getKey().getSum_flow();
   }
  }
 }

测试TopK

public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
  Job job = Job.getInstance(new Configuration());
  job.setJarByClass(TopKFlowRunner.class);    // 设置job的主类
  job.setMapperClass(TopKFlowMapper.class);    // 设置Mapper类
  job.setReducerClass(TopKFlowReducer.class);    // 设置Reducer类
  job.setMapOutputKeyClass(Text.class);    // 设置map阶段输出Key的类型
  job.setMapOutputValueClass(FlowBean.class);    // 设置map阶段输出Value的类型
  job.setOutputKeyClass(Text.class);    // 设置reduce阶段输出Key的类型
  job.setOutputValueClass(VLongWritable.class);    // 设置reduce阶段输出Value的类型
  // 设置job输入路径(从main方法参数args中获取)
  FileInputFormat.setInputPaths(job, new Path(args[0]));
  // 设置job输出路径(从main方法参数args中获取)
  FileOutputFormat.setOutputPath(job, new Path(args[1]));
  job.waitForCompletion(true);    // 提交job
 }

job输出的结果文件:

13726230503    27162
13726238888    27162
13925057413    11121
18320173382    9549
13502468823    7437
13660577991    6969
13922314466    6728
13560439658    6292

转载于:https://my.oschina.net/u/2503731/blog/661135