一、输入数据如下所示:

在这里插入图片描述
在这里插入图片描述
要求输出如下所示:
在这里插入图片描述

二、创建相关文件

  • 先在HDFS创建DateRemove文件夹
./bin/hdfs dfs -mkdir /user/hadoop/DateRemove

用ls查看文件是否创建成功

./bin/hdfs dfs -ls /user/hadoop

在这里插入图片描述

  • 在HDFS下创建一个名称为DateRemove/input的目录
./bin/hdfs dfs -mkdir /user/hadoop/DateRemove/input

在这里插入图片描述

  • 创建file1.txt和file2.txt,并写入数据

在这里插入图片描述
在这里插入图片描述

  • 将file1.txt和file2.txt传到hdfs的/user/hadoop/DateRemove/input文件夹中
./bin/hdfs dfs -put ./file1.txt  /user/hadoop/DateRemove/input
./bin/hdfs dfs -ls  /user/hadoop/DateRemove/input

在用ls查看:
在这里插入图片描述
上图说明确实存在file1.txt和file2.txt。

三、JAVA代码

①DedupMapper.java

package Data_De_duplication;

import java.io.IOException;

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

public class DedupMapper extends Mapper<LongWritable, Text, Text, NullWritable> {

    private static Text field = new Text();  

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

        field = value;  
        context.write(field, NullWritable.get());  

    }  

}

②DedupReducer.java

package Data_De_duplication;

import java.io.IOException;

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

public class DedupReducer extends Reducer<Text, NullWritable, Text, NullWritable>{
    @Override  
    protected void reduce(Text key, Iterable<NullWritable> values,  
            Context context) throws IOException, InterruptedException {  

        context.write(key, NullWritable.get());  

    }  

}

③DedupRunner.java

package Data_De_duplication;

import java.io.IOException;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.NullWritable;
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.output.FileOutputFormat;

public class DedupRunner {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf);

        job.setJarByClass(DedupRunner.class);

        job.setMapperClass(DedupMapper.class);
        job.setReducerClass(DedupReducer.class);

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

        FileInputFormat.setInputPaths(job, new Path("hdfs://localhost:9000/user/hadoop/DateRemove/input"));
        
        // 指定处理完成之后的结果所保存的位置
        FileOutputFormat.setOutputPath(job, new Path("hdfs://localhost:9000/user/hadoop/DateRemove/output"));

        job.waitForCompletion(true);

    }
}

点击刚创建的DedupRunner.java,选择Run As -> Run Configurations,设置运行时的相关参数如下
在这里插入图片描述
在这里插入图片描述

运行结果:
在这里插入图片描述
确实自动生成了output文件
在这里插入图片描述
用cat命令查看运行完成时的part-r-00000文件,结果如下

./bin/hdfs dfs -cat  /user/hadoop/DateRemove/output/part-r-00000

在这里插入图片描述
对比发现,发现重复的数据已去重成功。

Logo

技术共进,成长同行——讯飞AI开发者社区

更多推荐