Hadoop—MapReduce進行資料查詢和實現推簡單薦系統---練習7

阿新 • • 發佈：2019-02-11

1 執行環境說明

1.1 硬軟體環境

l 主機作業系統：Windows 64 bit，雙核4執行緒，主頻2.2G，6G記憶體

l 虛擬軟體：VMware® Workstation 9.0.0 build-812388

l 虛擬機器作業系統：CentOS 64位，單核，1G記憶體

l JDK：1.7.0_55 64 bit

l Hadoop：1.1.2

1.2 機器網路環境

叢集包含三個節點：1個namenode、2個datanode，其中節點之間可以相互ping通。節點IP地址和主機名分佈如下：

序號	IP地址	機器名	型別	使用者名稱	執行程序
1	10.88.147.221	hadoop1	名稱節點	hadoop	NN、SNN、JobTracer
2	10.88.147.222	hadoop2	資料節點	hadoop	DN、TaskTracer
3	10.88.147.223	hadoop3	資料節點	hadoop	DN、TaskTracer

所有節點均是CentOS6.5 64bit系統，防火牆均禁用，所有節點上均建立了一個hadoop使用者，使用者主目錄是/usr/hadoop。所有節點上均建立了一個目錄/usr/local/hadoop，並且擁有者是hadoop使用者。

2 書面作業1：計算員工相關

2.1

書面作業1內容

(本題10選2)把作業素材demo.txt中的兩個表資料用適當的方式匯入hadoop（來自Oracle資料庫的樣板表，可考慮分成2個檔案存放，注意空值的處理）

書寫Map-Reduce程式，求出以下結果

1) 求各個部門的總工資

2) 求各個部門的人數和平均工資

3) 求每個部門最早進入公司的員工姓名

4) 求各個城市的員工的總工資

5) 列出工資比上司高的員工姓名及其工資

6) 列出工資比公司平均工資要高的員工姓名及其工資

7) 列出名字以J開頭的員工姓名及其所屬部門名稱

8) 列出工資最高的頭三名員工姓名及其工資

9) 將全體員工按照總收入（工資+提成）從高到低排列，要求列出姓名及其總收入

10) 如果每位員工只能和他的直接上司，直接下屬，同一部門的同事交流，求任何兩名員工之間若要進行資訊傳遞所需要經過的中間節點數。請評價一下這個問題是否適合使用map-reduce解決

2.2 實現過程

2.2.1準備測試資料

2.2.1.1拆分檔案

把提供的測試資料第7-8周作業素材.txt按照要求拆分成兩個檔案dept（部門）和emp（員工），其中各欄位用逗號分隔：

dept檔案內容：

10,ACCOUNTING,NEW YORK

20,RESEARCH,DALLAS

30,SALES,CHICAGO

40,OPERATIONS,BOSTON

emp檔案內容：

7369,SMITH,CLERK,7902,17-12月-80,800,,20

7499,ALLEN,SALESMAN,7698,20-2月-81,1600,300,30

7521,WARD,SALESMAN,7698,22-2月-81,1250,500,30

7566,JONES,MANAGER,7839,02-4月-81,2975,,20

7654,MARTIN,SALESMAN,7698,28-9月-81,1250,1400,30

7698,BLAKE,MANAGER,7839,01-5月-81,2850,,30

7782,CLARK,MANAGER,7839,09-6月-81,2450,,10

7839,KING,PRESIDENT,,17-11月-81,5000,,10

7844,TURNER,SALESMAN,7698,08-9月-81,1500,0,30

7900,JAMES,CLERK,7698,03-12月-81,950,,30

7902,FORD,ANALYST,7566,03-12月-81,3000,,20

7934,MILLER,CLERK,7782,23-1月-82,1300,,10

2.2.1.2上傳測試檔案

使用SSH工具（參見第1、2周2.1.3.1Linux檔案傳輸工具所描述）把dept和emp兩個檔案上傳到本地目錄/usr/local/hadoop-1.1.2/input中，然後使用eclipse的HDFS外掛工具上傳該檔案到/usr/hadoop/in目錄中，如下圖所示：

2.2.2問題1：求各個部門的總工資

2.2.2.1問題分析

MapReduce中的join分為好幾種，比如有最常見的 reduce side join、map side join和semi join 等。reduce join 在shuffle階段要進行大量的資料傳輸，會造成大量的網路IO效率低下，而map side join 在處理多個小表關聯大表時非常有用。

Map side join是針對以下場景進行的優化：兩個待連線表中，有一個表非常大，而另一個表非常小，以至於小表可以直接存放到記憶體中。這樣我們可以將小表複製多份，讓每個map task記憶體中存在一份（比如存放到hash table中），然後只掃描大表：對於大表中的每一條記錄key/value，在hash table中查詢是否有相同的key的記錄，如果有，則連線後輸出即可。為了支援檔案的複製，Hadoop提供了一個類DistributedCache，使用該類的方法如下：

（1）使用者使用靜態方法DistributedCache.addCacheFile()指定要複製的檔案，它的引數是檔案的URI（如果是HDFS上的檔案，可以這樣：hdfs://jobtracker:50030/home/XXX/file）。JobTracker在作業啟動之前會獲取這個URI列表，並將相應的檔案拷貝到各個TaskTracker的本地磁碟上。

（2）使用者使用DistributedCache.getLocalCacheFiles()方法獲取檔案目錄，並使用標準的檔案讀寫API讀取相應的檔案。

在下面程式碼中，將會把資料量小的表(部門dept ）快取在記憶體中，在Mapper階段對員工部門編號對映成部門名稱，該名稱作為key輸出到Reduce中，在Reduce中計算按照部門計算各個部門的總工資。

2.2.2.2處理流程圖

2.2.2.3編寫程式碼

Q1SumDeptSalary.java程式碼：

import java.io.BufferedReader;
import java.io.FileReader;
import java.io.IOException;
import java.util.HashMap;
import java.util.Map;
 
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.filecache.DistributedCache;
import org.apache.hadoop.fs.Path;
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.GenericOptionsParser;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;
 
publicclass Q1SumDeptSalary extends Configured implements Tool {
 
    publicstaticclass MapClass extends Mapper<LongWritable, Text, Text, Text> {
 
        // 用於快取 dept檔案中的資料
        private Map<String, String> deptMap = new HashMap<String, String>();
        private String[] kv;
 
        // 此方法會在Map方法執行之前執行且執行一次
        @Override
        protectedvoid setup(Context context) throws IOException, InterruptedException {
            BufferedReader in = null;
            try {
 
                // 從當前作業中獲取要快取的檔案
                Path[] paths = DistributedCache.getLocalCacheFiles(context.getConfiguration());
                String deptIdName = null;
                for (Path path : paths) {
 
                    // 對部門檔案欄位進行拆分並快取到deptMap中
                    if (path.toString().contains("dept")) {
                        in = new BufferedReader(new FileReader(path.toString()));
                        while (null != (deptIdName = in.readLine())) {
                           
                            // 對部門檔案欄位進行拆分並快取到deptMap中
                            // 其中Map中key為部門編號，value為所在部門名稱
                            deptMap.put(deptIdName.split(",")[0], deptIdName.split(",")[1]);
                        }
                    }
                }
            } catch (IOException e) {
                e.printStackTrace();
            } finally {
                try {
                    if (in != null) {
                        in.close();
                    }
                } catch (IOException e) {
                    e.printStackTrace();
                }
            }
        }
 
publicvoid map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
 
            // 對員工檔案欄位進行拆分
            kv = value.toString().split(",");
 
            // map join: 在map階段過濾掉不需要的資料，輸出key為部門名稱和value為員工工資
            if (deptMap.containsKey(kv[7])) {
                if (null != kv[5] && !"".equals(kv[5].toString())) {
                    context.write(new Text(deptMap.get(kv[7].trim())), new Text(kv[5].trim()));
                }
            }
        }
    }
 
    publicstaticclass Reduce extends Reducer<Text, Text, Text, LongWritable> {
 
publicvoid reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {
 
            // 對同一部門的員工工資進行求和
            long sumSalary = 0;
            for (Text val : values) {
                sumSalary += Long.parseLong(val.toString());
            }
 
            // 輸出key為部門名稱和value為該部門員工工資總和
            context.write(key, new LongWritable(sumSalary));
        }
    }
 
    @Override
    publicint run(String[] args) throws Exception {
 
        // 例項化作業物件，設定作業名稱、Mapper和Reduce類
        Job job = new Job(getConf(), "Q1SumDeptSalary");
        job.setJobName("Q1SumDeptSalary");
        job.setJarByClass(Q1SumDeptSalary.class);
        job.setMapperClass(MapClass.class);
        job.setReducerClass(Reduce.class);
 
        // 設定輸入格式類
        job.setInputFormatClass(TextInputFormat.class);
 
        // 設定輸出格式
        job.setOutputFormatClass(TextOutputFormat.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(Text.class);
 
        // 第1個引數為快取的部門資料路徑、第2個引數為員工資料路徑和第3個引數為輸出路徑
       String[] otherArgs = new GenericOptionsParser(job.getConfiguration(), args).getRemainingArgs();
       DistributedCache.addCacheFile(new Path(otherArgs[0]).toUri(), job.getConfiguration());
        FileInputFormat.addInputPath(job, new Path(otherArgs[1]));
        FileOutputFormat.setOutputPath(job, new Path(otherArgs[2]));
 
        job.waitForCompletion(true);
        return job.isSuccessful() ? 0 : 1;
    }
 
    /**
     * 主方法，執行入口
     * @param args 輸入引數
     */
    publicstaticvoid main(String[] args) throws Exception {
        int res = ToolRunner.run(new Configuration(), new Q1SumDeptSalary(), args);
        System.exit(res);
    }
}

2.2.2.4配置執行引數

新建一個Java應用執行程式，需要在Arguments頁籤填寫Q1SumDeptSalary執行的部門資料路徑、員工資料路徑和輸出路徑三個引數，需要注意的是hdfs的路徑引數路徑需要全路徑，否則執行會報錯：

l 部門資料路徑：hdfs://hadoop1:9000/usr/hadoop/in/dept ，部門資料將快取在各執行任務的節點內容中，可以提供處理的效率

l 員工資料路徑：hdfs:// hadoop1:9000/usr/hadoop/in/emp

l 輸出路徑：hdfs:// hadoop1:9000/usr/hadoop/out/week7_q1

2.2.2.5執行並檢視結果

設定執行引數完畢後，點選執行按鈕：

執行成功後，重新整理CentOS HDFS中的輸出路徑/usr/hadoop/out/week7_q1目錄，開啟part-r-00000檔案，可以看到執行結果：

ACCOUNTING8750

RESEARCH6775

SALES 9400

2.2.3問題2：求各個部門的人數和平均工資

2.2.3.1問題分析

求各個部門的人數和平均工資，需要得到各部門工資總數和部門人數，通過兩者相除獲取各部門平均工資。首先和問題1類似在Mapper的Setup階段快取部門資料，然後在Mapper階段抽取出部門編號和員工工資，利用快取部門資料把部門編號對應為部門名稱，接著在Shuffle階段把傳過來的資料處理為部門名稱對應該部門所有員工工資的列表，最後在Reduce中按照部門歸組，遍歷部門所有員工，求出總數和員工數，輸出部門名稱和平均工資。

2.2.3.2處理流程圖

2.2.3.3編寫程式碼

Q2DeptNumberAveSalary.java程式碼：

import java.io.BufferedReader;
import java.io.FileReader;
import java.io.IOException;
import java.util.HashMap;
import java.util.Map;
 
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.filecache.DistributedCache;
import org.apache.hadoop.fs.Path;
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.GenericOptionsParser;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;
 
publicclass Q2DeptNumberAveSalary extends Configured implements Tool {
 
    publicstaticclass MapClass extends Mapper<LongWritable, Text, Text, Text> {
 
        // 用於快取 dept檔案中的資料
        private Map<String, String> deptMap = new HashMap<String, String>();
        private String[] kv;
 
        // 此方法會在Map方法執行之前執行且執行一次
        @Override
        protectedvoid setup(Context context) throws IOException, InterruptedException {
            BufferedReader in = null;
            try {
                // 從當前作業中獲取要快取的檔案
                Path[] paths = DistributedCache.getLocalCacheFiles(context.getConfiguration());
                String deptIdName = null;
                for (Path path : paths) {
 
                    // 對部門檔案欄位進行拆分並快取到deptMap中
                    if (path.toString().contains("dept")) {
                        in = new BufferedReader(new FileReader(path.toString()));
                        while (null != (deptIdName = in.readLine())) {
                           
                            // 對部門檔案欄位進行拆分並快取到deptMap中
                            // 其中Map中key為部門編號，value為所在部門名稱
                            deptMap.put(deptIdName.split(",")[0], deptIdName.split(",")[1]);
                        }
                    }
                }
            } catch (IOException e) {
                e.printStackTrace();
            } finally {
                try {
                    if (in != null) {
                        in.close();
                    }
                } catch (IOException e) {
                    e.printStackTrace();
                }
            }
        }
 
        publicvoid map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
 
            // 對員工檔案欄位進行拆分
            kv = value.toString().split(",");
 
            // map join: 在map階段過濾掉不需要的資料，輸出key為部門名稱和value為員工工資
            if (deptMap.containsKey(kv[7])) {
                if (null != kv[5] && !"".equals(kv[5].toString())) {
                    context.write(new Text(deptMap.get(kv[7].trim())), new Text(kv[5].trim()));
                }
            }
        }
    }
 
    publicstaticclass Reduce extends Reducer<Text, Text, Text, Text> {
 
        publicvoid reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {
 
            long sumSalary = 0;
            int deptNumber = 0;
 
            // 對同一部門的員工工資進行求和
            for (Text val : values) {
                sumSalary += Long.parseLong(val.toString());
                deptNumber++;
            }
 
            // 輸出key為部門名稱和value為該部門員工工資平均值
            context.write(key, new Text("Dept Number:" + deptNumber + ", Ave Salary:" + sumSalary / deptNumber));
        }
    }
 
    @Override
    publicint run(String[] args) throws Exception {
 
        // 例項化作業物件，設定作業名稱、Mapper和Reduce類
        Job job = new Job(getConf(), "Q2DeptNumberAveSalary");
        job.setJobName("Q2DeptNumberAveSalary");
        job.setJarByClass(Q2DeptNumberAveSalary.class);
        job.setMapperClass(MapClass.class);
        job.setReducerClass(Reduce.class);
 
        // 設定輸入格式類
        job.setInputFormatClass(TextInputFormat.class);
 
        // 設定輸出格式類
        job.setOutputFormatClass(TextOutputFormat.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(Text.class);
 
        // 第1個引數為快取的部門資料路徑、第2個引數為員工資料路徑和第3個引數為輸出路徑
        String[] otherArgs = new GenericOptionsParser(job.getConfiguration(), args).getRemainingArgs();
        DistributedCache.addCacheFile(new Path(otherArgs[0]).toUri(), job.getConfiguration());
        FileInputFormat.addInputPath(job, new Path(otherArgs[1]));
        FileOutputFormat.setOutputPath(job, new Path(otherArgs[2]));
 
        job.waitForCompletion(true);
        return job.isSuccessful() ? 0 : 1;
    }
 
    /**
     * 主方法，執行入口
     * @param args 輸入引數
     */
    publicstaticvoid main(String[] args) throws Exception {
        int res = ToolRunner.run(new Configuration(), new Q2DeptNumberAveSalary(), args);
        System.exit(res);
    }
}

2.2.3.4配置執行引數

新建一個Java應用執行程式，需要在Arguments頁籤填寫Q2DeptNumberAveSalary執行的部門資料路徑、員工資料路徑和輸出路徑三個引數，需要注意的是hdfs的路徑引數路徑需要全路徑，否則執行會報錯：

l 部門資料路徑：hdfs://hadoop1:9000/usr/hadoop/in/dept ，部門資料將快取在各執行任務的節點內容中，可以提供處理的效率

l 員工資料路徑：hdfs:// hadoop1:9000/usr/hadoop/in/emp

l 輸出路徑：hdfs:// hadoop1:9000/usr/hadoop/out/week7_q2

2.2.3.5執行並檢視結果

設定執行引數完畢後，點選執行按鈕：

執行成功後，重新整理CentOS HDFS中的輸出路徑/usr/hadoop/out/week7_q2目錄，開啟part-r-00000檔案，可以看到執行結果：

ACCOUNTINGDept Number:3,Ave Salary:2916

RESEARCHDept Number:3,Ave Salary:2258

SALES Dept Number:6,Ave Salary:1566

2.2.4問題3：求每個部門最早進入公司的員工姓名

2.2.4.1問題分析

求每個部門最早進入公司員工姓名，需要得到各部門所有員工的進入公司日期，通過比較獲取最早進入公司員工姓名。首先和問題1類似在Mapper的Setup階段快取部門資料，然後Mapper階段抽取出key為部門名稱（利用快取部門資料把部門編號對應為部門名稱），value為員工姓名和進入公司日期，接著在Shuffle階段把傳過來的資料處理為部門名稱對應該部門所有員工+進入公司日期的列表，最後在Reduce中按照部門歸組，遍歷部門所有員工，找出最早進入公司的員工並輸出。

2.2.4.2處理流程圖

2.2.4.3編寫程式碼

import java.io.BufferedReader;
import java.io.FileReader;
import java.io.IOException;
import java.text.DateFormat;
import java.text.ParseException;
import java.text.SimpleDateFormat;
import java.util.Date;
import java.util.HashMap;
import java.util.Map;
 
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.filecache.DistributedCache;
import org.apache.hadoop.fs.Path;
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.GenericOptionsParser;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;
 
publicclass Q3DeptEarliestEmp extends Configured implements Tool {
 
    publicstaticclass MapClass extends Mapper<LongWritable, Text, Text, Text> {
 
        // 用於快取 dept檔案中的資料
        private Map<String, String> deptMap = new HashMap<String, String>();
        private String[] kv;
 
        // 此方法會在Map方法執行之前執行且執行一次
        @Override
        protectedvoid setup(Context context) throws IOException, InterruptedException {
            BufferedReader in = null;
            try {
                // 從當前作業中獲取要快取的檔案
                Path[] paths = DistributedCache.getLocalCacheFiles(context.getConfiguration());
                String deptIdName = null;
                for (Path path : paths) {
                    if (path.toString().contains("dept")) {
                        in = new BufferedReader(new FileReader(path.toString()));
                        while (null != (deptIdName = in.readLine())) {
 
                            // 對部門檔案欄位進行拆分並快取到deptMap中
                            // 其中Map中key為部門編號，value為所在部門名稱
                            deptMap.put(deptIdName.split(",")[0], deptIdName.split(",")[1]);
                        }
                    }
                }
            } catch (IOException e) {
                e.printStackTrace();
            } finally {
                try {
                    if (in != null) {
                        in.close();
                    }
                } catch (IOException e) {
                    e.printStackTrace();
                }
            }
        }
 
        publicvoid map(LongWritable key, Text value, Context context) throws IOException,     InterruptedException {
 
            // 對員工檔案欄位進行拆分
            kv = value.toString().split(",");
 
            // map join: 在map階段過濾掉不需要的資料
            // 輸出key為部門名稱和value為員工姓名+","+員工進入公司日期
            if (deptMap.containsKey(kv[7])) {
                if (null != kv[4] && !"".equals(kv[4].toString())) {
                    context.write(new Text(deptMap.get(kv[7].trim())), new Text(kv[1].trim()                    + "," +kv[4].trim()));
                }
            }
        }
    }
 
    publicstaticclass Reduce extends Reducer<Text, Text, Text, Text> {
 
        publicvoid reduce(Text key, Iterable<Text> values, Context context) throws IOException,        InterruptedException {
 
            // 員工姓名和進入公司日期
            String empName = null;
            String empEnterDate = null;
 
            // 設定日期轉換格式和最早進入公司的員工、日期
            DateFormat df = new SimpleDateFormat("dd-MM月-yy");
 
            Date earliestDate = new Date();
            String earliestEmp = null;
 
            // 遍歷該部門下所有員工，得到最早進入公司的員工資訊
            for (Text val : values) {
                empName = val.toString().split(",")[0];
                empEnterDate = val.toString().split(",")[1].toString().trim();
                try {
                    System.out.println(df.parse(empEnterDate));
                    if (df.parse(empEnterDate).compareTo(earliestDate) < 0) {
                        earliestDate = df.parse(empEnterDate);
                        earliestEmp = empName;
                    }
                } catch (ParseException e) {
                    e.printStackTrace();
                }
            }
 
            // 輸出key為部門名稱和value為該部門最早進入公司員工
            context.write(key, new Text("The earliest emp of dept:" + earliestEmp + ", Enter            date:" + newSimpleDateFormat("yyyy-MM-dd").format(earliestDate)));
        }
    }
 
    @Override
    publicint run(String[] args) throws Exception {
 
        // 例項化作業物件，設定作業名稱
        Job job = new Job(getConf(), "Q3DeptEarliestEmp");
        job.setJobName("Q3DeptEarliestEmp");
 
        // 設定Mapper和Reduce類
        job.setJarByClass(Q3DeptEarliestEmp.class);
        job.setMapperClass(MapClass.class);
        job.setReducerClass(Reduce.class);
 
        // 設定輸入格式類
        job.setInputFormatClass(TextInputFormat.class);
 
        // 設定輸出格式類
        job.setOutputFormatClass(TextOutputFormat.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(Text.class);
 
        // 第1個引數為快取的部門資料路徑、第2個引數為員工資料路徑和第三個引數為輸出路徑
        String[] otherArgs = new GenericOptionsParser(job.getConfiguration(), args).getRemainingArgs();
        DistributedCache.addCacheFile(new Path(otherArgs[0]).toUri(), job.getConfiguration());
        FileInputFormat.addInputPath(job, new Path(otherArgs[1]));
        FileOutputFormat.setOutputPath(job, new Path(otherArgs[2]));
 
        job.waitForCompletion(true);
        returnjob.isSuccessful() ? 0 : 1;
    }
 
    /**
     * 主方法，執行入口
     * @param args 輸入引數
     */
    publicstaticvoid main(String[] args) throws Exception {
        intres = ToolRunner.run(new Configuration(), new Q3DeptEarliestEmp(), args);
        System.exit(res);
    }
}

2.2.4.4配置執行引數

新建一個Java應用執行程式，需要在Arguments頁籤填寫Q3DeptEarliestEmp執行的部門資料路徑、員工資料路徑和輸出路徑三個引數，需要注意的是hdfs的路徑引數路徑需要全路徑，否則執行會報錯：

l 部門資料路徑：hdfs://hadoop1:9000/usr/hadoop/in/dept ，部門資料將快取在各執行任務的節點內容中，可以提供處理的效率

l 員工資料路徑：hdfs:// hadoop1:9000/usr/hadoop/in/emp

l 輸出路徑：hdfs:// hadoop1:9000/usr/hadoop/out/week7_q3

2.2.4.5執行並檢視結果

設定執行引數完畢後，點選執行按鈕：

執行成功後，重新整理CentOS HDFS中的輸出路徑/usr/hadoop/out/week7_q3目錄，開啟part-r-00000檔案，可以看到執行結果：

ACCOUNTINGThe earliest emp of dept:CLARK, Enter date:1981-06-09

RESEARCHThe earliest emp of dept:SMITH, Enter date:1980-12-17

SALES The earliest emp of dept:ALLEN, Enter date:1981-02-20

2.2.5問題4：求各個城市的員工的總工資

2.2.5.1問題分析

求各個城市員工的總工資，需要得到各個城市所有員工的工資，通過對各個城市所有員工工資求和得到總工資。首先和問題1類似在Mapper的Setup階段快取部門對應所在城市資料，然後在Mapper階段抽取出key為城市名稱（利用快取資料把部門編號對應為所在城市名稱），value為員工工資，接著在Shuffle階段把傳過來的資料處理為城市名稱對應該城市所有員工工資，最後在Reduce中按照城市歸組，遍歷城市所有員工，求出工資總數並輸出。

2.2.5.2處理流程圖

2.2.5.3編寫程式碼

import java.io.BufferedReader;
import java.io.FileReader;
import java.io.IOException;
import java.util.HashMap;
import java.util.Map;
 
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.filecache.DistributedCache;
import org.apache.hadoop.fs.Path;
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.GenericOptionsParser;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;
 
publicclass Q4SumCitySalary extends Configured implements Tool {
 
    publicstaticclass MapClass extends Mapper<LongWritable, Text, Text, Text> {
 
        // 用於快取 dept檔案中的資料
        private Map<String, String> deptMap = new HashMap<String, String>();
        private String[] kv;
 
        // 此方法會在Map方法執行之前執行且執行一次
        @Override
        protectedvoid setup(Context context) throws IOException, InterruptedException {
            BufferedReader in = null;
            try {
                // 從當前作業中獲取要快取的檔案
                Path[] paths = DistributedCache.getLocalCacheFiles(context.getConfiguration());
                String deptIdName = null;
                for (Path path : paths) {
                    if (path.toString().contains("dept")) {
                        in = new BufferedReader(new FileReader(path.toString()));
                        while (null != (deptIdName = in.readLine())) {
 
                            // 對部門檔案欄位進行拆分並快取到deptMap中
                            // 其中Map中key為部門編號，value為所在城市名稱
                            deptMap.put(deptIdName.split(",")[0], deptIdName.split(",")[2]);
                        }
                    }
                }
            } catch (IOException e) {
                e.printStackTrace();
            } finally {
                try {
                    if (in != null) {
                        in.close();
                    }
                } catch (IOException e) {
                    e.printStackTrace();
                }
            }
        }
 
        publicvoid map(LongWritable key, Text value, Context context) throws IOException,     InterruptedException {
 
            // 對員工檔案欄位進行拆分
            kv = value.toString().split(",");
 
            // map join: 在map階段過濾掉不需要的資料，輸出key為城市名稱和value為員工工資
            if (deptMap.containsKey(kv[7])) {
                if (null != kv[5] && !"".equals(kv[5].toString())) {
                    context.write(new Text(deptMap.get(kv[7].trim())), new Text(kv[5].trim()));
                }
            }
        }
    }
 
    publicstaticclass Reduce extends Reducer<Text, Text, Text, LongWritable> {
 
        publicvoid reduce(Text key, Iterable<Text> values, Context context) throws IOException,        InterruptedException {
 
            // 對同一城市的員工工資進行求和
            long sumSalary = 0;
            for (Text val : values) {
                sumSalary += Long.parseLong(val.toString());
            }
 
            // 輸出key為城市名稱和value為該城市工資總和
            context.write(key, new LongWritable(sumSalary));
        }
    }
 
    @Override
    publicint run(String[] args) throws Exception {
 
        // 例項化作業物件，設定作業名稱
        Job job = new Job(getConf(), "Q4SumCitySalary");
        job.setJobName("Q4SumCitySalary");
 
        // 設定Mapper和Reduce類
        job.setJarByClass(Q4SumCitySalary.class);
        job.setMapperClass(MapClass.class);
        job.setReducerClass(Reduce.class);
 
        // 設定輸入格式類
        job.setInputFormatClass(TextInputFormat.class);
 
        // 設定輸出格式類
        job.setOutputFormatClass(TextOutputFormat.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(Text.class);
 
        // 第1個引數為快取的部門資料路徑、第2個引數為員工資料路徑和第3個引數為輸出路徑
        String[] otherArgs = new GenericOptionsParser(job.getConfiguration(), args).getRemainingArgs();
        DistributedCache.addCacheFile(new Path(otherArgs[0]).toUri(), job.getConfiguration());
        FileInputFormat.addInputPath(job, new Path(otherArgs[1]));
        FileOutputFormat.setOutputPath(job, new Path(otherArgs[2]));
 
        job.waitForCompletion(true);
        return job.isSuccessful() ? 0 : 1;
    }
 
    /**
     * 主方法，執行入口
     * @param args 輸入引數
     */
    publicstaticvoid main(String[] args) throws Exception {
        int res = ToolRunner.run(new Configuration(), new Q4SumCitySalary(), args);
        System.exit(res);
    }
}

2.2.5.4配置執行引數

新建一個Java應用執行程式，需要在Arguments頁籤填寫Q4SumCitySalary執行的部門資料路徑、員工資料路徑和輸出路徑三個引數，需要注意的是hdfs的路徑引數路徑需要全路徑，否則執行會報錯：

l 部門資料路徑：hdfs://hadoop1:9000/usr/hadoop/in/dept ，部門資料將快取在各執行任務的節點內容中，可以提供處理的效率

l 員工資料路徑：hdfs:// hadoop1:9000/usr/hadoop/in/emp

l 輸出路徑：hdfs:// hadoop1:9000/usr/hadoop/out/week7_q4

2.2.5.5執行並檢視結果

設定執行引數完畢後，點選執行按鈕：

執行成功後，重新整理CentOS HDFS中的輸出路徑/usr/hadoop/out/week7_q4目錄，開啟part-r-00000檔案，可以看到執行結果：

CHICAGO 9400

DALLAS 6775

NEW YORK 8750

2.2.6問題5：列出工資比上司高的員工姓名及其工資

2.2.6.1問題分析

求工資比上司高的員工姓名及工資，需要得到上司工資及上司所有下屬員工，通過比較他們工資高低得到比上司工資高的員工。在Mapper階段輸出經理資料和員工對應經理表資料，其中經理資料key為員工編號、value為"M，該員工工資"，員工對應經理表資料key為經理編號、value為"E，該員工姓名，該員工工資"；然後在Shuffle階段把傳過來的經理資料和員工對應經理表資料進行歸組，如編號為7698員工，value中標誌M為自己工資，value中標誌E為其下屬姓名及工資；最後在Reduce中遍歷比較員工與經理工資高低，輸出工資高於經理的員工。

2.2.6.2處理流程圖

2.2.6.3編寫程式碼

import java.io.IOException;
import java.util.HashMap;
 
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.Path;
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.GenericOptionsParser;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;
 
publicclass Q5EarnMoreThanManager extends Configured implements Tool {
 
    publicstaticclass MapClass extends Mapper<LongWritable, Text, Text, Text> {
 
        publicvoid map(LongWritable key, Text value, Context context) throws IOException,     InterruptedException {
 
            // 對員工檔案欄位進行拆分
            String[] kv = value.toString().split(",");
 
            // 輸出經理表資料，其中key為員工編號和value為M+該員工工資
            context.write(new Text(kv[0].toString()), new Text("M," + kv[5]));
 
            // 輸出員工對應經理表資料，其中key為經理編號和value為(E，該員工姓名，該員工工資)
            if (null != kv[3] && !"".equals(kv[3].toString())) {
                context.write(new Text(kv[3].toString()), new Text("E," + kv[1] + "," + kv[5]));
            }
        }
    }
 
    publicstaticclass Reduce extends Reducer<Text, Text, Text, Text> {
 
        publicvoid reduce(Text key, Iterable<Text> values, Context context) throws IOException,        InterruptedException {
 
            // 定義員工姓名、工資和存放部門員工Map
            String empName;
            long empSalary = 0;
            HashMap<String, Long> empMap = new HashMap<String, Long>();
           
            // 定義經理工資變數
            long mgrSalary = 0;
 
            for (Text val : values) {
                if (val.toString().startsWith("E")) {
                    // 當是員工標示時，獲取該員工對應的姓名和工資並放入Map中
                    empName = val.toString().split(",")[1];
                    empSalary = Long.parseLong(val.toString().split(",")[2]);
                    empMap.put(empName, empSalary);
                } else {
                    // 當時經理標誌時，獲取該經理工資
                    mgrSalary = Long.parseLong(val.toString().split(",")[1]);
                }
            }
 
            // 遍歷該經理下屬，比較員工與經理工資高低，輸出工資高於經理的員工
            for (java.util.Map.Entry<String, Long> entry : empMap.entrySet()) {
                if (entry.getValue() > mgrSalary) {
                    context.write(new Text(entry.getKey()), new Text("" + entry.getValue()));
                }
            }
        }
    }
 
    @Override
    publicint run(String[] args) throws Exception {
 
        // 例項化作業物件，設定作業名稱
        Job job = new Job(getConf(), "Q5EarnMoreThanManager");
        job.setJobName("Q5EarnMoreThanManager");
 
        // 設定Mapper和Reduce類
        job.setJarByClass(Q5EarnMoreThanManager.class);
        job.setMapperClass(MapClass.class);
        job.setReducerClass(Reduce.class);
 
        // 設定輸入格式類
        job.setInputFormatClass(TextInputFormat.class);
 
        // 設定輸出格式類
        job.setOutputFormatClass(TextOutputFormat.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(Text.class);
 
        // 第1個引數為員工資料路徑和第2個引數為輸出路徑
String[] otherArgs = new GenericOptionsParser(job.getConfiguration(), args).getRemainingArgs();
        FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
        FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
 
        job.waitForCompletion(true);
        return job.isSuccessful() ? 0 : 1;
    }
 
    /**
     * 主方法，執行入口
     * @param args 輸入引數
     */
    publicstaticvoid main(String[] args) throws Exception {
        int res = ToolRunner.run(new Configuration(), new Q5EarnMoreThanManager(), args);
        System.exit(res);
    }
}

2.2.6.4配置執行引數

新建一個Java應用執行程式，需要在Arguments頁籤填寫Q5EarnMoreThanManager執行的員工資料路徑和輸出路徑兩個引數，需要注意的是hdfs的路徑引數路徑需要全路徑，否則執行會報錯：

l 員工資料路徑：hdfs:// hadoop1:9000/usr/hadoop/in/emp

l 輸出路徑：hdfs:// hadoop1:9000/usr/hadoop/out/week7_q5

2.2.6.5執行並檢視結果

設定執行引數完畢後，點選執行按鈕：

執行成功後，重新整理CentOS HDFS中的輸出路徑/usr/hadoop/out/week7_q5目錄，開啟part-r-00000檔案，可以看到執行結果：

FORD 3000

2.2.7問題6：列出工資比公司平均工資要高的員工姓名及其工資

2.2.7.1問題分析

求工資比公司平均工資要高的員工姓名及工資，需要得到公司的平均工資和所有員工工資，通過比較得出工資比平均工資高的員工姓名及工資。這個問題可以分兩個作業進行解決，先求出公司的平均工資，然後與所有員工進行比較得到結果；也可以在一個作業進行解決，這裡就得使用作業setNumReduceTasks方法，設定Reduce任務數為1，保證每次執行一個reduce任務，從而能先求出平均工資，然後進行比較得出結果。

在Mapper階段輸出兩份所有員工資料，其中一份key為0、value為該員工工資，另外一份key為0、value為"該員工姓名 ,員工工資"；然後在Shuffle階段把傳過來資料按照key進行歸組，在該任務中有key值為0和1兩組資料；最後在Reduce中對key值0的所有員工求工資總數和員工數，獲得平均工資；對key值1，比較員工與平均工資的大小，輸出比平均工資高的員工和對應的工資。

2.2.7.2處理流程圖

2.2.7.3編寫程式碼

import java.io.IOException;
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.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;
 
publicclass Q6HigherThanAveSalary extends Configured implements Tool {
 
    publicstaticclass MapClass extends Mapper<LongWritable, Text, IntWritable,

 
 
              
           
              
              
            
            相關推薦
			   
            
            
            
 

    

    
    Hadoop—MapReduce進行資料查詢和實現推簡單薦系統---練習7
      
                
1 執行環境說明
1.1  硬軟體環境
l  主機作業系統：Windows 64 bit，雙核4執行緒，主頻2.2G，6G記憶體
l  虛擬軟體：VMware® Workstation 9.0.0 build-812388
l  虛擬機器作業系統：CentOS 64位，單核 

  
 

    

    
    [MS Access+MySQL系列]如何利用phpMyAdmin介面進行資料表匯入、SQL簡易資料查詢和資料表刪除等操作?
       
 
 
 承接[MS Access+MySQL系列]如何在phpMyAdmin設定使用者帳號和密碼文章，當後端資料庫搭建完成後，如何在phpMyAdmin中匯入資料表、進行簡易SQL查詢和資料表刪除等等操作，使得未來前端操作人員進行存取作業，成為下一步重點工作。 
 本文以虛構的客戶資料為例，說明如何將客 

  
 

    

    
    OpenTSDB使用/ API / query進行資料查詢的java實現
       
 
   
 2018年08月01日 22:26:46 jyj019 閱讀數：462 
  版權宣告：雖然坑有點多，不過轉載請宣告原作者 https://blog.csdn.net/jyj1100/article/details/81347817 
 寫在前面，這裡 

  
 

    

    
    Hadoop-練習 利用hive進行資料查詢
      
                1   準備測試資料  問題1：求各個部門的總工資  問題2：求各個部門的人數和平均工資  問題3：求每個部門最早進入公司的員工姓名 問題4：求各個城市的員工的總工資 問題5：列出工資比上司高的員工姓名及其工資 問題6：列出工資比公司平均工資要高的員工姓名及其工資 問題7：列 

  
 

    

    
    【JAVAEE學習筆記】hibernate02：實體規則、對象狀態、緩存、事務、批量查詢和實現客戶列表顯示
      使用   ins   tro   trace   ges   create   綁定   criteria   命名   一、hibernate中的實體規則
實體類創建的註意事項
　1.持久化類提供無參數構造
　2.成員變量私有,提供共有get/set方法訪問.需提供屬性
　3.持久化類中的屬性,應盡量使用包 

  
 

    

    
    Python MySQL - 進行資料查詢
       
 #coding=utf-8
import mysql.connector
import importlib
import sys
# reload(sys)
# sys.setdefaultencoding('utf-8')

#連線資料庫的資訊
class ConnectionMysq 

  
 

    

    
    LDAP基礎：6：使用ldapsearch進行資料查詢
       
 
  
  
 在前面的文章中，我們已經多次使用ldapsearch進行資訊的查詢，但都是一條命令查詢出所有內容，這篇文章對於ldapsearch的常用方式進行進一步的解釋和說明。 
 操作方式 
 執行場所 
 對LDAP進行操作，場所不限，LDAP伺服器上進行操作，也可以在可以連線LDAP服務的客戶 

  
 

    

    
    【翻譯】OpenTSDB 2.3-- 資料查詢和讀取
       
  
  
 查詢或讀取資料 
 OpenTSDB提供了許多提取，操作和分析資料的方法。可以通過CLI工具、HTTP API查詢資料，可以通過GnuPlot圖來檢視資料。有的開源工具，如Grafana和 Bosun也可以訪問TSDB資料以展示資料。OpenTSDB基於標籤的系統在查詢上可能有點棘手，因此請 

  
 

    

    
    【資料庫視訊】第六章 資料查詢和管理
       
 
 一、簡單的SELECT語句 
 語法格式： 
 
   SELECT [ALL|DISTINCT] select_list  
   [INTO new_table]  
   FROM table_source  
   [WHERE search_conditions]  
   [GROUP  

  
 

    

    
    案例4-使用hadoop-mapreduce進行PageRank計算
       
 
 
 什麼是pagerank 
 
  PageRank是Google專有的演算法，用於衡量特定網頁相對於搜尋引擎索引中的其他網頁而言的重要程度。 
  是Google創始人拉里·佩奇和謝爾蓋·布林於1997年創造的 
  PageRank實現了將連結價值概念作為排名因素。 
 
 計算環境 
 
  

  
 

    

    
    【案例】Danone依靠Matrikon進行資料儲存和分析
       
 
 Matrikon是基於OPC UA和基於OPC的控制自動化資料互操作性產品的供應商，提供自動化廠商的高階OPC UA開發工具包，適用於從嵌入式裝置到雲應用的所有產品線。對於終端使用者客戶，Matrikon提供了關鍵資料工具，以最好地促進企業廣泛的資料共享。 
 Danone是一家致力於通過保證食品安 

  
 

    

    
    PyTorch中的資料查詢和篩選
       
 
  
  
 本文原始碼基於版本1.0，互動介面基於0.4.1 
 import torch
 
 按照指定軸上的座標進行過濾 
 index_select() 沿著某tensor的一個軸dim篩選若干個座標 
 >>> x = torch.randn(3, 4)		# 目標矩陣
& 

  
 

    

    
    Elasticsearch通過restapi進行資料查詢----java
      
							
							
							做日誌監控使用的是ELK一套的東西，然後將日誌搜尋和下載單獨做了一個功能模組，所以就看著官網的API文件，寫了查詢的程式碼。
1.引入elasticsearch相關jar包，一定使用mvn來引入，如果自己去找很難找全的，因為他的包有43個。別問我為啥，因為自己去 

  
 

    

    
    NC 前端進行資料查詢之 IVOPersistence
      
							
							
							IUAPQueryBS  只能做資料查詢 
IVOPersistenceinsertVO  只能做增 刪 改操作  

1.介面 IVOPersistenceinsertVO 是指增加，刪除，更新的操作的介面



IVOPersistence  iVOPers 

  
 

    

    
    spark機器學習筆記：（二）用Spark Python進行資料處理和特徵提取
      
下面用“|”字元來分隔各行資料。這將生成一個RDD,其中每一個記錄對應一個Python列表,各列表由使用者ID(user
 ID)、年齡(age)、性別(gender)、職業(occupation)和郵編(ZIP
 code)五個屬性構成。4之後再統計使用者、性別、職業和郵編的數目。這可通過如下程式碼 

  
 

    

    
    Hadoop MapReduce開發--資料去重
       
  
  
 環境 
 	hadoop-2.9.1
	windows7
	idea15
 
 示例資料 
 file1.txt和file2.txt檔案儲存在路徑：C:\bigdata\example_data\mr_example\exp_02\ 
 file1.txt 
 2012-3-1 a 2012 

  
 

    

    
    Hadoop——自定義資料型別，實現WritableComparable,  並且 分組，排序
      
                
http://blog.csdn.net/u014432433/article/details/51104026
1. 在進行mapreduce程式設計時key鍵往往用於分組或排序，當我們在進行這些操作時Hadoop內建的key鍵資料型別不能滿足需求時，
或針對用例優化自定 

  
 

    

    
    Dojo 1.6 最新官方教程: 如何使用dojo.query 進行DOM查詢和批量操作
      
                
在本講義中，我們將學到DOM的查詢，以及如何使用dojo.query來方便的查詢並操作DOM節點。

難度:初學者  適用的Dojo 版本: 1.6
作者: Bryan Forbes


譯者: feijia




入門

對DOM程式設計的一個關鍵要素是能夠快速高效的獲 

  
 

    

    
    轉：用MapReduce進行資料密集型文字處理 – 本地聚合（上）
      
                



因為最近忙於Coursera提供 的一些課程，我已經有一段時間沒有寫部落格了。這些課程非常有意思，值得一看。我買了一本書《Data-Intensive
 Processing with MapReduce》，作者是Jimmy和Chris Dyer。書裡以偽碼形式總結了 

  
 

    

    
    android硬編碼h264資料，並使用rtp推送資料流，實現一個簡單的直播-MediaCodec（一）
      
							
							
							  寫在前面：我並非專業做流媒體的coder，對流媒體行業無比崇拜，只是做了幾年安卓車載ROM，對安卓AV開發算是略懂。本篇部落格是我對MediaCodec編解碼和rtp推流的一次嘗試，希望能給有需要的朋友一些細微的幫助，不喜勿噴，如果有不對的地方希望大神指正共

Hadoop—MapReduce進行資料查詢和實現推簡單薦系統---練習7

1 執行環境說明

1.1 硬軟體環境

1.2 機器網路環境

2 書面作業1：計算員工相關

2.1 書面作業1內容

2.2 實現過程

2.2.1準備測試資料

2.2.1.1拆分檔案

2.2.1.2上傳測試檔案

2.2.2問題1：求各個部門的總工資

2.2.2.1問題分析

2.2.2.2處理流程圖

2.2.2.3編寫程式碼

2.2.2.4配置執行引數

2.2.2.5執行並檢視結果

2.2.3問題2：求各個部門的人數和平均工資

2.2.3.1問題分析

2.2.3.2處理流程圖

2.2.3.3編寫程式碼

2.2.3.4配置執行引數

2.2.3.5執行並檢視結果

2.2.4問題3：求每個部門最早進入公司的員工姓名

2.2.4.1問題分析

2.2.4.2處理流程圖

2.2.4.3編寫程式碼

2.2.4.4配置執行引數

2.2.4.5執行並檢視結果

2.2.5問題4：求各個城市的員工的總工資

2.2.5.1問題分析

2.2.5.2處理流程圖

2.2.5.3編寫程式碼

2.2.5.4配置執行引數

2.2.5.5執行並檢視結果

2.2.6問題5：列出工資比上司高的員工姓名及其工資

2.2.6.1問題分析

2.2.6.2處理流程圖

2.2.6.3編寫程式碼

2.2.6.4配置執行引數

2.2.6.5執行並檢視結果

2.2.7問題6：列出工資比公司平均工資要高的員工姓名及其工資

2.2.7.1問題分析

2.2.7.2處理流程圖

2.2.7.3編寫程式碼

相關推薦

2.1

書面作業1內容