数据算法 Hadoop/Spark大数据处理---第十七章

kmer计算简介

kmer计算类似字符串的移动窗口取值一样,主要在map端进行切分,在reduce进行整合相加即可

实现方法

1.用hadoop实现
2.用sparkJAVA实现
3.用scala实现

  • hadoop实现
//KmerCountMapper.java
public class KmerCountMapper extends Mapper<LongWritable,Text,Text,IntWritable> {
    private  final static IntWritable ONE =new IntWritable(1);
    private  int k ;
    private  final  Text kmerkey = new Text();

    @Override
    protected void setup(Context context) throws IOException, InterruptedException {
        Configuration conf = context.getConfiguration();
        this.k = conf.getInt("k.mer",3);
    }

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        String sequence = value.toString();
        for (int  i = 0;  i < sequence.length()-k+1;  i++) {
            //在getKmer中进行subString()
            String kmer=KmerUtil.getKmer(sequence,i,k);
            kmerkey.set(kmer);
            context.write(kmerkey,ONE);
        }
    }
}

//KmerCountReduce.java
public class KmerCountReduce extends Reducer<Text,IntWritable,Text,IntWritable> {
    @Override
    protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
        int sum=0;
        for(IntWritable value:values){
            sum+=value.get();
        }
        context.write(key,new IntWritable(sum));
    }
}


//KmerCountDriver驱动端类
public class KmerCountDriver extends Configured implements Tool {

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

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

        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);

        job.setMapperClass(KmerCountMapper.class);
        job.setReducerClass(KmerCountReduce.class);

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

        job.getConfiguration().setInt("k.mer",Integer.parseInt(args[2]));
        boolean status = job.waitForCompletion(true);
        return  status?0:1;
    }

    public static void main(String[] args) throws Exception {
        if (args.length!=3){
            throw  new IllegalArgumentException("args is error format");
        }
        int returnStatus = ToolRunner.run(new KmerCountDriver(),args);
        System.exit(returnStatus);
    }
  • 在hadoop上的运行脚本
export JAVA_HOME=/home/hadoop/app/jdk1.8.0_144
export APP_JAR=/home/hadoop/app/hadoop-2.6.0-cdh5.7.0/shell/jar/bigdata-1.0-SNAPSHOT.jar
export HADOOP_HOME=/home/hadoop/app/hadoop-2.6.0-cdh5.7.0
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop
export PATH=.:$JAVA_HOME/bin:$HADOOP_HOME/bin:$PATH

export INPUT=/chap17/input
export OUTPUT=/chap17/output

$HADOOP_HOME/bin/hadoop jar $APP_JAR hadoop.chaper17.KmerCountDriver $INPUT $OUTPUT 3
  • 输出结果


    image.png
  • 在sparkJava上实现的代码
public class chaper17 {
    public static void main(String[] args) {
        if(args.length <3){
            System.err.print("Usage:args error");
            System.exit(1);
        }
        final String fastqFilename =args[0];
        final int K= Integer.parseInt(args[1]);
        final int N = Integer.parseInt(args[2]);
        SparkConf conf = new SparkConf().setAppName("chaper17");
        JavaSparkContext sc = new JavaSparkContext(conf);

        final Broadcast<Integer> broadcastK = sc.broadcast(K);
        final Broadcast<Integer> broadcastN = sc.broadcast(N);
        //rdd的分区数 = max(本地file的分片数, sc.defaultMinPartitions)
        JavaRDD<String> records = sc.textFile(fastqFilename,1);
        //对RDD中的元素进行过滤操作
        JavaRDD<String> filteredRDD = records.filter(new Function<String, Boolean>() {
            @Override
            public Boolean call(String record) throws Exception {
                String firstChar = record.substring(0, 1);
                if (firstChar.equals("@") || firstChar.equals("+") || firstChar.equals(";") ||
                        firstChar.equals("!") || firstChar.equals("~")) {
                    return false;
                } else {
                    return true;
                }
            }
        });

        JavaPairRDD<String, Integer> kmers = filteredRDD.flatMapToPair(new PairFlatMapFunction<String, String, Integer>() {
            @Override
            public Iterator<Tuple2<String, Integer>> call(String str) throws Exception {
                int k = broadcastK.getValue();
                List<Tuple2<String, Integer>> list = new ArrayList<>();
                for (int i = 0; i < str.length() - k + 1; i++) {
                    String kmer = str.substring(i, i + k);
                    list.add(new Tuple2<String, Integer>(kmer, 1));
                }
                return list.iterator();
            }
        });
        JavaPairRDD<String, Integer> kmersGrouped = kmers.reduceByKey(new Function2<Integer, Integer, Integer>() {
            @Override
            public Integer call(Integer v1, Integer v2) throws Exception {
                return v1 + v2;
            }
        });
        JavaRDD<SortedMap<Integer, String>> partitions = kmersGrouped.mapPartitions(new FlatMapFunction<Iterator<Tuple2<String, Integer>>, SortedMap<Integer,String>>() {
            @Override
            public Iterator<SortedMap<Integer,String>> call(Iterator<Tuple2<String, Integer>> iter) throws Exception {
                int n = broadcastN.getValue();
                SortedMap<Integer, String> topN = new TreeMap<>();
                //对于iter的要先判断迭代关系
                while (iter.hasNext()) {
                    Tuple2<String, Integer> tuple = iter.next();
                    String kmer = tuple._1;
                    int frequeny = tuple._2;
                    topN.put(frequeny,kmer);
                    if (topN.size() > n) {
                        topN.remove(topN.firstKey());
                    }
                }
                return Collections.singletonList(topN).iterator();
            }
        });
        SortedMap<Integer,String> finaltopN = new TreeMap<>();
        List<SortedMap<Integer,String>> allTopN = partitions.collect();
        for (SortedMap<Integer,String> localTopN:allTopN){
            for (Map.Entry<Integer,String> entry:localTopN.entrySet()){
                finaltopN.put(entry.getKey(),entry.getValue());
                if(finaltopN.size()>10){
                    finaltopN.remove(finaltopN.firstKey());
                }
            }
        }
        List<Integer> frequencies = new ArrayList<>(finaltopN.keySet());
        List<Tuple2<Integer,String>> list =new ArrayList<>();
        for(int i=frequencies.size()-1;i>=0;i--){
            list.add(new Tuple2<Integer, String>(frequencies.get(i),finaltopN.get(frequencies.get(i))));
        }
        JavaPairRDD<Integer, String> result = sc.parallelizePairs(list);
        result.saveAsTextFile("hdfs://10.23.12.84:8020/chaper17/");
    }
}

  • 运行的脚本
export SPARK_HOME=/home/hadoop/app/spark-2.2.0-bin-2.6.0-cdh5.7.0
export INPUT=chaper17.txt
export K=4
export N=5
prog=spark.chaper17
$SPARK_HOME/bin/spark-submit --class $prog --num-executors 3 --executor-memory 100m --executor-cores 3 bigdata-1.0-SNAPSHOT.jar  $INPUT $K $N

运行结果

image.png

scala实现的(读取本地文件在IDEA中运行)

def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("chaper17").setMaster("local[2]")
    val sc = new SparkContext(conf)
    val k =3;
    val n =5;
    val records = sc.textFile("chaper17.txt")
    val filteredRDD = records.filter(line=>{
      !(line.startsWith("@") || line.startsWith("+") ||line.startsWith(";") ||line.startsWith("!")) || line.startsWith("~")
    });

    val kmers = filteredRDD.flatMap(_.sliding(k,1)).map(k =>(k,1))
    val kmersGroup = kmers.reduceByKey(_+_);

    //对每一个分区进行排序
    val pratitions = kmersGroup.mapPartitions(_.toList.sortBy(_._2).takeRight(n).toIterator)

    //对全部分区进行排序
    val allTopN = pratitions.sortBy(_._2,false,1).take(n)

    allTopN.foreach(println)

    sc.stop()
  }
}

  • 运行结果


    image.png
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 216,496评论 6 501
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,407评论 3 392
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 162,632评论 0 353
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,180评论 1 292
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,198评论 6 388
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,165评论 1 299
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,052评论 3 418
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,910评论 0 274
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,324评论 1 310
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,542评论 2 332
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,711评论 1 348
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,424评论 5 343
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,017评论 3 326
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,668评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,823评论 1 269
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,722评论 2 368
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,611评论 2 353

推荐阅读更多精彩内容