Hadoop MapReduce WordPairsCount 产生不一致的结果

Question

当我在 Hadoop 上运行 MapReduce 时，结果非常令人困惑。这是代码（见下文）。正如您所看到的，这是一个非常简单的 MapReduce 操作。输入是 1 个目录，其中包含 100 个 .lineperdoc 文件（维基百科文章表示为 1 行）。我们在一行文本（映射）中找到单词对，然后在Reduce函数中，我们总结相同单词对键的计数，并在

sum>=500

时输出该对。问题出现在Reducer中：如果我有条件

sum>=100

，当我将阈值增加到

500

、

1000

等时，我会得到不同的结果（请参阅下面代码后的图像和描述）。

import java.io.IOException;
import java.util.TreeMap;

import javax.naming.Context;

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.LongWritable;
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.input.TextInputFormat;
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 HadoopWordPairsb2 extends Configured implements Tool {

    public static class Map extends Mapper<LongWritable, Text, Text, IntWritable> {
        private final static IntWritable one = new IntWritable(1);
        private Text pair = new Text();
        private Text lastWord = new Text();

        @Override
        public void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {

            String[] splitLine = value.toString().split(" ");

            for (String w : splitLine) {
                if (lastWord.getLength() > 0) {
                    // only consider words
                    if (w.matches("[a-zA-Z]+")) {
                        pair.set(lastWord + ":" + w);
                        context.write(pair, one);
                    }
                }
                lastWord.set(w);
            }
        }
    }

    public static class Reduce extends Reducer<Text, IntWritable, Text, IntWritable> {

        @Override
        public void reduce(Text key, Iterable<IntWritable> values, Context context)
                throws IOException, InterruptedException {
            
            Integer sum = 0;

            for (IntWritable value : values)
                sum += value.get();
            
            // output only words that occured more than 500 times
            if (sum >= 500) {
                context.write(key, new IntWritable(sum));
            }
        }
    }

    @Override
    public int run(String[] args) throws Exception {
        Job job = Job.getInstance(new Configuration(), "HadoopWordPairsb2");
        job.setJarByClass(HadoopWordPairsb2.class);

        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);
        job.setMapperClass(Map.class);
        job.setCombinerClass(Reduce.class);
        job.setReducerClass(Reduce.class);

        job.setInputFormatClass(TextInputFormat.class);
        job.setOutputFormatClass(TextOutputFormat.class);

        FileInputFormat.setInputPaths(job, args[0]);
        FileOutputFormat.setOutputPath(job, new Path(args[1]));

        job.waitForCompletion(true);
        return 0;
    }

    public static void main(String[] args) throws Exception {
        int ret = ToolRunner.run(new Configuration(), new HadoopWordPairsb2(), args);
        System.exit(ret);
    }
}

在上图中，顶部的输出适用于条件

sum>=100

。紧随其后的输出是

sum>=500

。正如您可以清楚地看到的，结果不一致，我想知道为什么会出现这种情况。如果我错过了一些非常明显的东西，请告诉我，否则我不知道......谢谢！

upd1：将地图功能更改为：

@Override
    public void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {

      String line = value.toString().toLowerCase();
      String[] tokens = line.split("[^a-z0-9_.]+");
      for (String token : tokens) {
        if (lastWord.getLength() > 0) {
          pair.set(lastWord + ":" + token);
          context.write(pair, one);
        }
        lastWord.set(token);
      }
    }

并得到这些结果（分别为

sum>=1000

和

sum>=500

）。还是不一致...

Answer 1

解决方案：通过删除组合器类，减速器可以正常工作。我猜有什么问题，但我不能说具体是什么。