原文：http://xiaoxia.org/2011/12/18/map-reduce-program-of-rmm-word-count-on-hadoop/

在Hadoop上運行基于RMM中文分詞算法的MapReduce程序

23條回復

我知道這個文章標題很“學術”化，很俗，讓人看起來是一篇很牛B或者很裝逼的論文！其實不然，只是一份普通的實驗報告，同時本文也不對RMM中文分詞算法進行研究。這個實驗報告是我做高性能計算課程的實驗里提交的。所以，下面的內容是從我的實驗報告里摘錄出來的，當作是我學習hadoop分享出來的一些個人經驗。

實驗目標

學習編寫 Hadoop 上的 MapReduce 程序。
使用 Hadoop 分布式計算小說《倚天屠龍記》里的中文單詞頻率，比較張無忌身邊的兩個女人周芷若與趙敏誰在小說里的熱度高。（為什么要提到倚天屠龍記呢？因為我的一位舍友最近把賈靜雯演的這部戲看完了，他無時無刻不提到賈靜雯演的趙敏，所以這個實驗也取材自我的大學生活……）

實驗原理

通過自學Hadoop的Streaming工作模式，使用Streaming可以讓Hadoop運行非Java的MapReduce程序。

為了減少我們的實驗時間，我們使用了以開發(fā)效率著名的Python語言來編寫我們的mapper.py和reducer.py。其中，我們還使用到了一個小巧的中文分詞模塊smallseg.py，引用自（http://code.google.com/p/smallseg/，Apache License 2.0）。

對于中文詞庫，我們使用搜狗實驗室提供的中文詞庫main.dic以及一個字庫suffix.dic，均可從smallseg項目中獲得。

分布式計算的輸入為一個文本文件：倚天屠龍記.txt，我們從網下下載此文本資源，并且轉換為utf8文本編碼以方便我們在Linux下進行分詞計算。

iconv -fgbk -tutf8 倚天屠龍記.txt > 倚天屠龍記utf8.txt

實驗環(huán)境

NameNode：
OS: Ubuntu11.04
CPU: Intel Core I3
Memory: 512MB
IP: 125.216.244.28

DataNode1:
OS: Ubuntu11.10
CPU: Intel Pentium 4
Memory: 512MB
IP: 125.216.244.21

DataNode2:
OS: Ubuntu11.10
CPU: Intel Pentium 4
Memory: 512MB
IP: 125.216.244.22

Mapper程序

下面是mapper.py的代碼。

view plaincopy to clipboardprint?

#!/usr/bin/env?python??

from?smallseg?import?SEG??

import?sys??

seg?=?SEG()??

??

for?line?in?sys.stdin:??

????wlist?=?seg.cut(line.strip())??

????for?word?in?wlist:??

????????try:??

????????????print?"%s\t1"?%?(word.encode("utf8"))??

????????except:??

????????????pass??

smallseg為一個使用RMM字符串分割算法的中文分詞模塊。Mapper程序的過程很簡單，對每一行的中文內容進行分詞，然后把結果以單詞和頻率的格式輸出。對于所有的中文單詞，都是下面的格式，

單詞[tab]1

每個單詞的頻率都為1。Mapper并不統計每一行里的單詞出現頻率，我們把這個統計頻率的工作交給Reducer程序。

Reducer程序

下面是reducer.py的代碼.

view plaincopy to clipboardprint?

#!/usr/bin/env?python??

import?sys??

current_word，current_count，word?=?None,?1,?None??

??

for?line?in?sys.stdin:??

????try:???

????????line?=?line.rstrip()??

????????word,?count?=?line.split("\t",?1)??

????????count?=?int(count)??

????except:?continue??

??????

????if?current_word?==?word:??

????????current_count?+=?count??

????else:??

????????if?current_word:??

????????????print?"%s\t%u"?%?(current_word,?current_count)??

????????current_count,?current_word?=?count,?word??

??????????

if?current_word?==?word:??

????print?"%s\t%u"?%?(current_word,?current_count)??

從標準輸入中讀取每一個單詞頻率，并且統計。因為這些單詞已經由Hadoop為我們排好了順序，所以我們只需要對一個單詞的出現次數進行累加，當出現不同的單詞的時候，我們就輸出這個單詞的頻率，格式如下

單詞[tab]頻率

實驗步驟

實驗使用一個NameNode節(jié)點和兩個DataNode節(jié)點。
首先，把所需要的文件復制到每一臺主機上。這些文件都放在/home/hadoop/wc目錄下。

scp -r wc hadoop@125.216.244.21:.
scp -r wc hadoop@125.216.244.22:.
scp -r wc hadoop@125.216.244.28:.

運行Hadoop Job

本次任務，使用3個Mapper進程以及2個Reducer進程。因為分詞的步驟最為耗時，所以我們盡量分配最多數目的Mapper進程。

hadoop@xiaoxia-vz:~/hadoop-0.20.203.0$ ./bin/hadoop jar contrib/streaming/hadoop-streaming-0.20.203.0.jar -mapper /home/hadoop/wc/mapper.py -reducer /home/hadoop/wc/reducer.py -input 2-in -output 2-out -jobconf mapred.map.tasks=3 -jobconf mapred.reduce.tasks=2 [...] WARN streaming.StreamJob: -jobconf option is deprecated, please use -D instead. packageJobJar: [/tmp/hadoop-unjar2897218480344074444/] [] /tmp/streamjob7946660914041373523.jar tmpDir=null [...] INFO mapred.FileInputFormat: Total input paths to process : 1 [...] INFO streaming.StreamJob: getLocalDirs(): [/tmp/mapred/local] [...] INFO streaming.StreamJob: Running job: job_201112041409_0005 [...] INFO streaming.StreamJob: To kill this job, run: [...] INFO streaming.StreamJob: /home/hadoop/hadoop-0.20.203.0/bin/../bin/hadoop job -Dmapred.job.tracker=http://125.216.244.28:9001 -kill job_201112041409_0005 [...] INFO streaming.StreamJob: Tracking URL: http://localhost:50030/jobdetails.jsp?jobid=job_201112041409_0005 [...] INFO streaming.StreamJob: map 0% reduce 0% [...] INFO streaming.StreamJob: map 9% reduce 0% [...] INFO streaming.StreamJob: map 40% reduce 0% […] INFO streaming.StreamJob: map 67% reduce 12% [...] INFO streaming.StreamJob: map 71% reduce 22% [...] INFO streaming.StreamJob: map 100% reduce 28% [...] INFO streaming.StreamJob: map 100% reduce 100% [...] INFO streaming.StreamJob: Job complete: job_201112041409_0005 [...] INFO streaming.StreamJob: Output: 2-out

Map過程耗時：41s
Reduce過程耗時：21s
總耗時：62s

計算結果

復制計算結果到本地文件系統。

./bin/hadoop dfs -get 2-out/part* ../wc/

查看part*的部分內容：

hadoop@xiaoxia-vz:~/wc$ tail part-00000 龍的 1 龍眼 1 龍虎 2 龍被 1 龍身 2 龍鎮(zhèn) 1 龍骨 1 龜壽 2 龜山 1 龜裂 1 hadoop@xiaoxia-vz:~/wc$ tail part-00001 龍門 85 龍飛鳳舞 1 龍駕 1 龜 3 龜一 1 龜二 1 龜息 1 龜縮 1 龜蛇 3

下面，對輸出的結果進行合并，并按照頻率進行排序。該過程比較快，在1秒內就已經完成。

hadoop@xiaoxia-vz:~/wc$ cat part-00000 part-00001 | sort -rnk2,2 > sorted hadoop@xiaoxia-vz:~/wc$ head sorted 的 7157 張無忌 4373 是 4199 道 3465 了 3187 我 2516 他 2454 你 2318 這 1991 那 1776

我們去掉單個字的干擾，因為我們的實驗目的只對人名感興趣。

hadoop@xiaoxia-vz:~/wc$ cat sorted | awk '{if(length($1)>=4) print $0}' | head -n 50 張無忌 4373 說道 1584 趙敏 1227 謝遜 1173 自己 1115 甚么 1034 張翠山 926 武功 867 一個 777 咱們 767 周芷若 756 教主 739 笑道 693 明教 685 一聲 670 聽得 634 姑娘 612 師父 606 只見 590 無忌 576 少林 555 如此 547 弟子 537 之中 527 殷素素 518 楊逍 496 他們 490 不知 484 如何 466 我們 453 兩人 453 叫道 450 二人 445 今日 443 心想 433 張三豐 425 聲道 425 義父 412 出來 402 雖然 395 滅絕師太 392 之下 389 這時 381 蓮舟 374 心中 374 便是 371 不敢 371 俞蓮 369 不能 359 身子 356

統計圖表

結論

趙敏以1227票的頻率完勝周芷若的756票，由此可知趙敏在《倚天屠龍記》里的熱度比周芷若高。

經過本次實驗，我們對 Hadoop 原理有了一定程度的了解，并且順利的完成Mapper函數和Reducer函數的設計和測試。能夠運用 Hadoop 進行簡單的并行計算的實現。我們也對并行算法和串行算法的區(qū)別和設計有了更深一層的了解。此外，實驗還增進了我們的合作精神，提高了我們的動手能力。

總結

以上是生活随笔為你收集整理的在Hadoop上运行基于RMM中文分词算法的MapReduce程序的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。