MapReduce实例-NASA博客数据频度简单分析

环境：
　　Hadoop1.x，CentOS6.5，三台虚拟机搭建的模拟分布式环境，gnuplot，

　　数据：http://ita.ee.lbl.gov/html/contrib/NASA-HTTP.html

方案目标：

　　提供的blog数据是简单的文件请求访问数据

205.189.154.54 - - [01/Jul/1995:00:00:29 -0400] "GET /shuttle/countdown/count.gif HTTP/1.0" 200 40310

　　每一行如上所示的规则。目标是计算每个文件的访问次数，以及访问次数的频率分布

思路：
　　这个目标其实非常容易实现。其中涉及的最大的一个知识点是关于job的依赖。在这个目标的解决方案中，可以使用两套MapReduce，前一个计算出每个文件的访问次数，后一个对频率进行统计，最后利用gnuplot工具绘制分布图形。

　一、MapReduce程序

　在这套程序中，MapReduce的编写很简单，就不写了。主要是主程序的框架写好就行了。

package ren.snail;

import java.util.regex.Matcher;
import java.util.regex.Pattern;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.hdfs.util.EnumCounters.Map;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapred.TextInputFormat;
import org.apache.hadoop.mapred.jobcontrol.JobControl;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.KeyValueTextInputFormat;
import org.apache.hadoop.mapreduce.lib.jobcontrol.ControlledJob;
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;

import com.sun.xml.internal.ws.api.model.wsdl.editable.EditableWSDLBoundFault;

public class Main extends Configured implements Tool {

    public static void main(String[] args) throws Exception {
        int result = ToolRunner.run(new Configuration(), new Main(), args);
    }

    @Override
    public int run(String[] arg0) throws Exception {
        // TODO Auto-generated method stub
        Configuration configuration = getConf();

        Job job1 = new Job(configuration, "groupby");
        job1.setJarByClass(Main.class);

        FileInputFormat.addInputPath(job1, new Path(arg0[0]));
        FileOutputFormat.setOutputPath(job1, new Path(arg0[1]));

        job1.setMapperClass(GroupMapper.class);
        job1.setReducerClass(GroupReducer.class);

        job1.setOutputFormatClass(TextOutputFormat.class);
        job1.setOutputKeyClass(Text.class);   
        job1.setOutputValueClass(IntWritable.class);

        Job job2 = new Job(configuration, "sort");
        job2.setJarByClass(Main.class);

        FileInputFormat.addInputPath(job2, new Path(arg0[1] + "/part-r-00000"));
        FileOutputFormat.setOutputPath(job2, new Path(arg0[1]+"/out2"));

        job2.setMapperClass(SortMapper.class);
        job2.setReducerClass(SortReducer.class);
        job2.setInputFormatClass(KeyValueTextInputFormat.class);
     

        job2.setOutputFormatClass(TextOutputFormat.class);
        job2.setOutputKeyClass(IntWritable.class);    //这里定义的输出格式是map输出到reduce的格式，不是reduce输出到HDFS的格式
        job2.setOutputValueClass(IntWritable.class);

        ControlledJob controlledJob1 = new ControlledJob(job1.getConfiguration());
        ControlledJob controlledJob2 = new ControlledJob(job2.getConfiguration());

        controlledJob2.addDependingJob(controlledJob1);   //job依赖，使得job2利用Job1产生的数据
        JobControl jobControl = new JobControl("JobControlDemoGroup");
        jobControl.addJob(controlledJob1);
        jobControl.addJob(controlledJob2);

        Thread jobControlThread = new Thread(jobControl);
        jobControlThread.start();

        while (!jobControl.allFinished()) {
            Thread.sleep(500);
        }

        jobControl.stop();
         

        return  0;
    }

}

最后，我们得到了想要的数据，还有频率分布的数据。接下来使用gunplot来进行绘制

二、GnuPlot

gnuplot的安装很简单，采用 yum install gunplot就能安装。

安装好后，编写代码如下：

set terminal png
set output "freqdist.png"     //输出文件名

set title "Frequnecy Distribution of Hits by Url";  //绘制的图像名称
set ylabel "Number of Hits";
set xlabel "Urls (Sorted by hits)";
set key left top
set log y
set log x

plot "~/test/data.txt" using 2 title "Frequency" with linespoints

可能出现问题：

Could not find/open font when opening font "arial", using internal non-scalable font

解决方案：

yum install wqy-zenhei-fonts.noarch ＃其实这个是安装字体，但是一般都已经安装了的

进入gnuplot的shell，输入set term png font "/usr/share/fonts/wqy-zenhei/wqy-zenhei.ttc" 10 ＃设置png图片的字体，可能会输出

Options are 'nocrop font /usr/share/fonts/wqy-zenhei/wqy-zenhei.ttc 12 '，不用管，在运行程序，其实你已经生成了你想要的图片

不仅可以画散点图，还可以有直方图折线图等等，主要是对plot程序的修改，就不在一一实验了