使用hadoop+中文分词统计小说里的用词频率

问题导读：
1.使用hadoop+中文分词统计小说里的用词频率本文是如何实现的？

2.本文基于什么环境？

3.如何在IDEA创建项目？

4.如何在IDEA运行项目？




解决方案：


环境


系统: ArchLinux


软件: hadoop 2.7

-----------------------------------------------------------------------------------------------
准备

下载hadoop: 下载地址

下载分词插件: 下载地址
-----------------------------------------------------------------------------------------------
1.解压hadoop-2.7.0.tar.gz: tar cxf hadoop-2.7.0.tar.gz


我的解压到/home/ystyle/Applications/hadoop-2.7.0下面了(我下载时是hadoop-2.7.0.tar.gz)
--------------------------------------------------------------------------------------------------------------------
2.设置环境变量

[mw_shl_code=applescript,true]export HADOOP_HOME=/home/ystyle/Applications/hadoop-2.7.0  
export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin[/mw_shl_code]

然后再执行 source ~/.bashrc

PS: 这里使用hadoop的单机模式


代码:

[mw_shl_code=applescript,true]package net.ystyle.hadoop;

import org.apache.hadoop.conf.Configuration;  
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.util.GenericOptionsParser;  
import org.wltea.analyzer.core.IKSegmenter;  
import org.wltea.analyzer.core.Lexeme;

import java.io.IOException;  
import java.io.StringReader;

public class WordCount {

  public static class TokenizerMapper
       extends Mapper<Object, Text, Text, IntWritable>{

    private final static IntWritable one = new IntWritable(1);
    private Text word = new Text();

    public void map(Object key, Text value, Context context
                    ) throws IOException, InterruptedException {
        IKSegmenter iks = new IKSegmenter(new StringReader(value.toString()), true);
        Lexeme t;
        while ((t = iks.next()) != null) {
            word.set(t.getLexemeText());
            context.write(word, one);
        }
    }
  }

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

    public 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);
    }
  }

  public static void main(String[] args) throws Exception {
    Configuration conf = new Configuration();
    String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
    if (otherArgs.length < 2) {
      System.err.println("Usage: wordcount <in> [<in>...] <out>");
      System.exit(2);
    }
    Job job = Job.getInstance(conf, "word count");
    job.setJarByClass(WordCount.class);
    job.setMapperClass(TokenizerMapper.class);
    job.setCombinerClass(IntSumReducer.class);
    job.setReducerClass(IntSumReducer.class);
    job.setOutputKeyClass(Text.class);
    job.setOutputValueClass(IntWritable.class);
    for (int i = 0; i < otherArgs.length - 1; ++i) {
      FileInputFormat.addInputPath(job, new Path(otherArgs));
    }
    FileOutputFormat.setOutputPath(job,
      new Path(otherArgs[otherArgs.length - 1]));
    System.exit(job.waitForCompletion(true) ? 0 : 1);
  }
}[/mw_shl_code]
本代码改自hadoop自带的wordcount: 源码在hadoop/share/hadoop/mapreduce/sources/hadoop-mapreduce-examples-2.7.2-sources.jar 类名为org.apache.hadoop.examples.WordCount 这里只改了map方法添加了IK分词

在IDEA里创建项目:

创建普通项目
按 shift + alt + ctrl + s 进入项目设置, 选择Modules-Dependencies添加hadoop/share/hadoop/目录下的common hdfs mapreduce yarn common/lib 到Dependencies下
把下载的ik分词jar放hadoop/share/hadoop/mapreduce目录下





运行

把下载的小说放 /var/hadoop/input 下面
在IDEA的Run/Debug Configurations里的Program arguments 里填上
/var/hadoop/input /var/hadoop/output
近按Shift + F10 运行, 等待结果
结果分析

我分析的小说为<<我欲封天>>

cd /var/hadoop/output 结果在文件part-r-00000里
先把结果按使用次数排序并存在0.txt里: sort -k2rn part-r-00000> 0.txt
分析两字词语的使用次数: awk '{if(length($1)==2) print $0}' 0.txt > 2.txt
分析四字词语的使用次数: awk '{if(length($1)==4) print $0}' 0.txt > 4.txt
部分结果如下

两字词语


[mw_shl_code=applescript,true]在这    9889
此刻    9000
一个    8819
立刻    8676
身体    8338
到了    7906
出现    7504
他们    7382
修士    7350
四周    7104[/mw_shl_code]

四字词语

[mw_shl_code=applescript,true]与此同时    1443
中年男子    1089
轰的一声    1048
未完待续    893
惊天动地    853
面色苍白    752
前所未有    481
兄弟姐妹    421
无法形容    408
毫不迟疑    390[/mw_shl_code]
--------------------------------------------------------------------------------------------------

学习ing

非常不错。感谢分享！