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  
2012-3-5 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<Object, Text, Text, Text> {  
          
        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<Text, Text, Text, Text> {  
        // 实现reduce函数  
        public void reduce(Text key, Iterable<Text> 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