hadoop mapreduce数据去重

hadoop mapreduce数据去重 假设我们有下面两个文件，需要把重复的数据去除。 file0 [plain] 2012-3-1 a 2012-3-2 b 2012-3-3 c 2012-3-4 d 2012-3-5 a 2012-3-6 b 2012-3-7 c 2012-3-3 c file1 [plain] 2012-3-1 b 2012-3-2 a 2012-3-3 b 2012-3-4 d 2012-3-

hadoop mapreduce数据去重

 

假设我们有下面两个文件，需要把重复的数据去除。

file0

 

[plain] 

2012-3-1 a  

2012-3-2 b  

2012-3-3 c  

2012-3-4 d  

2012-3-5 a  

2012-3-6 b  

2012-3-7 c  

2012-3-3 c  

 

file1

[plain] 

2012-3-1 b  

2012-3-2 a  

2012-3-3 b  

2012-3-4 d  

2012-3-5 a  

2012-3-6 c  

2012-3-7 d  

2012-3-3 c  

 

我们知道，map处理之后，相同的key的值会被聚合起来，交给一个reduce处理，所以，我们可以把输出的内容作为输出的key，reduce原样输出key就OK，mapreduce的代码如下：

[java] 

// map将输入中的value复制到输出数据的key上，并直接输出  

    public static class Map extends Mapper

          

        private static Text line = new Text();// 每行数据  

          

        // 实现map函数  

        public void map(Object key, Text value, Context context)  

                throws IOException, InterruptedException {  

            line = value;  

            context.write(line, new Text(""));  

        }  

    }  

  

    // reduce将输入中的key复制到输出数据的key上，并直接输出  

    public static class Reduce extends Reducer {  

        // 实现reduce函数  

        public void reduce(Text key, Iterable values, Context context)  

                throws IOException, InterruptedException {  

            context.write(key, new Text(""));  

        }  

    }  

 

处理后的文件如下：

[plain] 

2012-3-1 a    

2012-3-1 b    

2012-3-2 a    

2012-3-2 b    

2012-3-3 b    

2012-3-3 c    

2012-3-4 d    

2012-3-5 a    

2012-3-6 b    

2012-3-6 c    

2012-3-7 c    

2012-3-7 d