我正在 map reduce 中执行连接操作。我正在输入两个文件,其值由分隔符(逗号)分隔。通过对一个公共实体执行连接操作,我可以从两个输入文件中获取一个文件中的输出。
这是地图减少代码:
public class EmpMapReduce {
public static class TokenizerMapper extends Mapper<LongWritable, Text, Text, Text>
{
public void map(LongWritable key, Text value, Context context)
throws IOException, InterruptedException
{
String tokens [] = value.toString().split(",");
String empid = tokens[0];
String val = "";
if(tokens.length != 0)
{
for (int cnt = 1; cnt < tokens.length; cnt++)
{
val = val + tokens[cnt] + "\t";
}
}
context.write(new Text(empid), new Text(val));
}
}
public static class MyReducer extends Reducer<Text, Text, Text, Text>
{
public void reduce(Text key, Iterable<Text> values,
Context context) throws IOException, InterruptedException
{
String str = "";
for (Text val : values)
{
str = str + val.toString() + "\t";
}
context.write(key, new Text (str));
}
}
public static void main(String[] args) throws Exception
{
Configuration conf = new Configuration();
String[] otherArgs = new GenericOptionsParser(conf, args)
.getRemainingArgs();
if (otherArgs.length != 3) {
System.err.println("Usage: EmpMapReduce <in1> <in2> <out>");
System.exit(2);
}
Job job = new Job(conf, "EmpMapReduce");
job.setJarByClass(EmpMapReduce.class);
job.setMapperClass(TokenizerMapper.class);
job.setReducerClass(MyReducer.class);
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(Text.class);
job.setInputFormatClass(TextInputFormat.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(Text.class);
FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
FileInputFormat.addInputPath(job, new Path(otherArgs[1]));
FileOutputFormat.setOutputPath(job, new Path(otherArgs[2]));
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
}
这是我使用的两个输入文件内容:
100,name100,10
101,name101,11
102,name102,12
103,name103,13
104,name104,14
105,name105,15
106,name106,16
107,name107,17
第二个输入文件:
100,100000
101,200000
102,300000
103,400000
104,500000
105,600000
106,700000
107,800000
我得到以下输出:
100,name100,10,100000
101,200000,name101,11
102,name102,12,300000
103,400000,name103,13
104,name104,14,500000
105,600000,name105,15
106,name106,16,700000
107,800000,name107,17
现在我担心的是为什么我会得到这样的输出:
100,name100,10,100000
101,200000,name101,11
即第一行数据首先从一个输入文件复制,而不是从另一个输入文件复制。但对于第二排,反之亦然。我无法弄清楚如何使每一行中的数据顺序相同。
另一个问题是:
一旦我以特定顺序在所有行中获得数据,我就可以执行各种操作,例如:替换 name100 ---> somenewname 或在每行末尾添加新的逗号分隔值,该值具有该行中所有值的总和。