基于hadoop0.20.2的wordcount实例

本文介绍了一个基于Hadoop MapReduce实现的WordCount程序,详细展示了如何通过Java编写Mapper和Reducer来完成单词计数任务,并配置运行作业。
package com.founder.hadoop.mapreduce;


import java.io.IOException;
import java.util.StringTokenizer;


import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
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;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;




public class WordCount  extends Configured implements Tool{

public static class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable> {
 
private static IntWritable one = new IntWritable(1);
private Text word = new Text();
@Override
protected void map(Object key, Text value, Context context)
throws IOException, InterruptedException {
StringTokenizer itr = new StringTokenizer(value.toString());
                while(itr.hasMoreTokens()){
                word.set(itr.nextToken());
                context.write(word, one);
                }
}

}


public static class IntSumReducer extends Reducer<Text, IntWritable, Text, IntWritable>{
private IntWritable result = new IntWritable();


@Override
protected void reduce(Text key, Iterable<IntWritable> values,
Context context)
throws IOException, InterruptedException {
int sum = 0 ;
for(IntWritable val : values){
sum += val.get() ;
}
result.set(sum);
context.write(key, result);
}

}

@Override
public int run(String[] arg) throws Exception {
Configuration conf = getConf();
Job job = new Job(conf, "wordcount");// 任务名称
job.setJarByClass(WordCount.class);// 指定class
FileInputFormat.addInputPath(job, new Path("/TestDir/hadoop.txt"));// 输入路径
FileOutputFormat.setOutputPath(job, new Path("/TestDir/output"));// 输出路径


job.setMapperClass(TokenizerMapper.class);//调用上面Map类作为作为map任务代码
job.setReducerClass(IntSumReducer.class);
job.setOutputFormatClass(TextOutputFormat.class);//
job.setOutputKeyClass(Text.class);//指定输出key的格式
job.setOutputValueClass(IntWritable.class);//指定输出value的格式
job.waitForCompletion(true);


return job.isSuccessful() ? 0 : 1;
}

/**
* @param args
*/
public static void main(String[] args) {
int res=0;
try {
res = ToolRunner.run(new Configuration(), new WordCount(),args);
} catch (Exception e) {
e.printStackTrace();
}
System.exit(res);
}
}
六自由度机械臂ANN人工神经网络设计:正向逆向运动学求解、正向动力学控制、拉格朗日-欧拉法推导逆向动力学方程(Matlab代码实现)内容概要:本文档围绕六自由度机械臂的ANN人工神经网络设计展开,详细介绍了正向与逆向运动学求解、正向动力学控制以及基于拉格朗日-欧拉法推导逆向动力学方程的理论与Matlab代码实现过程。文档还涵盖了PINN物理信息神经网络在微分方程求解、主动噪声控制、天线分析、电动汽车调度、储能优化等多个工程与科研领域的应用案例,并提供了丰富的Matlab/Simulink仿真资源和技术支持方向,体现了其在多学科交叉仿真与优化中的综合性价值。; 适合人群:具备一定Matlab编程基础,从事机器人控制、自动化、智能制造、电力系统或相关工程领域研究的科研人员、研究生及工程师。; 使用场景及目标:①掌握六自由度机械臂的运动学与动力学建模方法;②学习人工神经网络在复杂非线性系统控制中的应用;③借助Matlab实现动力学方程推导与仿真验证;④拓展至路径规划、优化调度、信号处理等相关课题的研究与复现。; 阅读建议:建议按目录顺序系统学习,重点关注机械臂建模与神经网络控制部分的代码实现,结合提供的网盘资源进行实践操作,并参考文中列举的优化算法与仿真方法拓展自身研究思路。
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