用scala来写mapreduce做数据去重

1、数据准备


file1数据:

mapper
reduce
by
scala

file2数据:

scala
done
it

2、程序

import java.io.IOException
import java.lang.Iterable

import org.apache.hadoop.conf.Configuration
import org.apache.hadoop.fs.Path
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.output.FileOutputFormat

/**
  * Created by legotime on 10/16/16.
  */
object scalaMapReduce {

  class myScalaMapper extends Mapper[Object, Text, Text, Text] {
    private var line: Text = new Text

    override def map(key: Object, value: Text, context: Mapper[Object, Text, Text, Text]#Context) {
      try {
        line = value
        context.write(line, new Text(""))
      }
      catch {
        case e: InterruptedException => e.printStackTrace()
        case e: IOException => e.printStackTrace()
      }
    }
  }
  class myScalaReducer extends Reducer[Text, Text, Text, Text]{
    override def reduce(key: Text, value: Iterable[Text], context: Reducer[Text, Text, Text, Text]#Context) {
      try {
        context.write(key, new Text(""))
      }
      catch {
        case e: InterruptedException => e.printStackTrace()
        case e: IOException => e.printStackTrace()
      }
    }
  }



  def main(args: Array[String]) {
    val conf = new Configuration()
    val job = new Job(conf,"Data Deduplication by scala")

    //如果是打包成jar文件,那么下面就需要
    //job.setJarByClass(this.getClass)

    //设置Map,Combine,Reduce处理类
    job.setMapperClass(classOf[scalaMapReduce.myScalaMapper])
    job.setCombinerClass(classOf[scalaMapReduce.myScalaReducer])
    job.setReducerClass(classOf[scalaMapReduce.myScalaReducer])

    //设置输出类型
    job.setOutputKeyClass(classOf[Text])
    job.setOutputValueClass(classOf[Text])

    //设置输入和输出目录
    FileInputFormat.addInputPath(job, new Path("/hadoop/mapreduce/DedupData/"))
    FileOutputFormat.setOutputPath(job, new Path("/hadoop/mapreduce/DedupOutDatabyScala/"))

    System.exit(if (job.waitForCompletion(true)) 0 else 1)



  }
}


3、结果:



### Scala与Spark SQL数据分区不均匀的优化解决方案 在使用Scala与Spark SQL进行大数据处理时,数据分区的不均匀分布可能会导致计算资源分配不均,从而影响整体性能。以下是针对这一问题的优化方案[^1]。 #### 1. 调整分区大小 通过配置参数`spark.sql.shuffle.partitions`来控制默认的Shuffle分区数。如果分区过多或过少,都会导致数据分布不均匀。通常可以根据数据量和集群资源动态调整此参数[^2]。例如: ```scala spark.conf.set("spark.sql.shuffle.partitions", "200") ``` #### 2. 使用自定义分区器 当默认的Hash分区无法满足需求时,可以实现自定义分区逻辑。通过编一个继承`Partitioner`的类,确保数据能够按照业务需求合理分布[^3]。示例代码如下: ```scala class CustomPartitioner(numPartitions: Int) extends Partitioner { override def numPartitions: Int = numPartitions override def getPartition(key: Any): Int = { key match { case k: String => Math.abs(k.hashCode() % numPartitions) case _ => throw new IllegalArgumentException("Invalid key type") } } } val rdd = sc.parallelize(Seq(("a", 1), ("b", 2), ("c", 3))) val partitionedRdd = rdd.partitionBy(new CustomPartitioner(3)).cache() ``` #### 3. 数据预处理 对于已知存在倾斜的字段,可以通过增加随机前缀或后缀的方式打散数据。例如,将键值`k`变为`k_randomSuffix`,以减少相同键值的集中度[^1]。示例代码如下: ```scala val skewedData = Seq(("key1", 1), ("key1", 2), ("key2", 3)) val suffixedData = skewedData.map { case (key, value) => (s"$key_${Math.abs(Random.nextInt % 10)}", value) } ``` #### 4. 调整HDFS文件块大小 在读取HDFS文件时,文件块大小会影响分区的粒度。通过调整`mapreduce.input.fileinputformat.split.minsize`和`mapreduce.input.fileinputformat.split.maxsize`参数,可以更好地控制分区大小[^3]。例如: ```scala spark.conf.set("spark.hadoop.mapreduce.input.fileinputformat.split.minsize", "134217728") spark.conf.set("spark.hadoop.mapreduce.input.fileinputformat.split.maxsize", "268435456") ``` #### 5. 使用Salt技术 对于极端倾斜的数据,可以在Shuffle阶段引入Salt技术,即为倾斜键添加随机盐值,从而分散到不同的分区中[^2]。之后再通过操作还原原始数据。示例代码如下: ```scala val saltedData = skewedData.flatMap { case (key, value) => (0 until 10).map(i => ((key, i), value)) } val result = saltedData.groupByKey().map { case ((key, _), values) => (key, values.sum) } ``` #### 6. 分析分区分布 利用`explain()`方法查看执行计划,定位可能导致数据倾斜的操作。同时,可以通过`rdd.glom().collect()`检查每个分区的实际数据分布情况[^1]。例如: ```scala val data = sc.parallelize(Seq(("key1", 1), ("key1", 2), ("key2", 3)), 2) data.glom().collect().foreach(println) ``` ### 结论 通过上述方法,可以从多个角度优化Scala与Spark SQL在分区时的数据分布不均匀问题,从而提升整体计算效率和资源利用率。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值