简介这是一份基于Hadoop的疾病信息统计平台毕业设计项目面向计算机、通信、人工智能等专业的学生和从业者适合作为课程大作业或毕设参考。系统围绕疾病数据采集、存储与统计分析场景完整提供源代码及配套文档说明代码经调试测试可运行可用于理解Hadoop生态在实际业务中的落地流程。压缩包共41个文件主要包含25个Java源码、6个XML配置、2个properties配置文件、2个JAR依赖包以及YAML、ARFF数据集、Maven脚本等整体约10.87MB目录结构清晰便于定位核心模块。目前已有104人学习下载适合需要快速搭建同类统计平台或完成期末项目的读者。项目具备较高借鉴价值基础较好的开发者可在现有结构上扩展数据可视化或算法分析功能。1. 基于Hadoop的疾病信息统计平台毕业设计为什么都在选这个方向每到毕业设计选题季基于Hadoop的疾病信息统计平台这类题目总被反复拿出来。不是因为医院数据真有多大规模而是它把HDFS存储、MapReduce计算、YARN调度这一整套Hadoop核心机制落到了一个需求足够明确、数据足够可控的场景里把一批疾病记录文件放进分布式文件系统按病种、地区、年龄等维度跑统计作业再把结果做成图表展示。整套链路开题能写、中期有进度、答辩有实物。适合想稳妥完成毕业设计的学生也适合想快速了解Hadoop全流程的开发者照着本文去复现。源代码加文档说明的交付形式也让这个题目天然适合作为课程设计和本科毕设的蓝本。2. 先跑通Hadoop伪分布式从零开始的核心配置与项目目录规划2.1 伪分布式还是完全分布式为什么毕业设计只够用伪分布式先回答最常被问的问题这个题目要不要搭三台机器的完全分布式集群。我的观点很直接不要。本科毕业设计的时间线通常只有三到四个月其中还要写文档、做PPT、准备答辩花两周去调集群网络和节点同步性价比太低。伪分布式模式下NameNode、DataNode、SecondaryNameNode、ResourceManager、NodeManager各自独立进程都跑在同一台机器上HDFS的块、副本、YARN调度这些核心机制一个不少对理解分布式原理完全够用。完全分布式和伪分布式的差别要能说清楚这是答辩老师必问的点。完全分布式下数据块会按 replica 参数分布到不同节点伪分布式下所有副本都在本机并不具备真正的故障容错能力。所以伪分布式环境里副本数建议直接设成1既省磁盘也不会在演示的时候因为副本同步问题出幺蛾子。如果只是想让文档里多一张“三副本”的截图临时把 dfs.replication 改成 2 再跑一次上传截图完改回来不必长期开着。内存方面伪分布式对笔记本的配置要求不高4G内存能跑8G会舒服很多。我一般建议用 Apache Hadoop 3.3.x 的稳定版本配 JDK 1.8这两个版本组合经过大量实践验证yarn 和 mapreduce 的兼容告警最少。不要为了追新用 JDK 17 或更高版本跑 YARN 时会出现一堆序列化相关的兼容问题属于给自己找事。2.2 五份核心配置文件与启动命令能跑起来的完整版本Hadoop 安装包解压后所有配置都在 etc/hadoop 目录下。核心要改的文件是 hadoop-env.sh、core-site.xml、hdfs-site.xml、yarn-site.xml、mapred-site.xml 这五个。先从环境变量开始。# hadoop-env.sh 中必须显式指定 JAVA_HOME # 不要指望它自动读取系统变量不同发行版的行为不一致 export JAVA_HOME/usr/lib/jvm/java-1.8.0-openjdk export HADOOP_HOME/opt/hadoop-3.3.6 export PATH$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin逻辑说明JAVA_HOME 要写绝对路径指向实际 JDK 安装位置。很多第一次搭建的人在这里省略导致后续 start-dfs.sh 报错找不到 java 命令。!-- core-site.xml指定 NameNode 地址 -- configuration property namefs.defaultFS/name valuehdfs://localhost:9000/value /property property namehadoop.tmp.dir/name value/opt/hadoop/data/tmp/value /property /configurationhadoop.tmp.dir 是 NameNode 和 DataNode 存放元数据与数据块的根目录必须改出默认的 /tmp否则系统重启一次你的 HDFS 数据就没了。这是伪分布式下最容易被忽略的坑。!-- hdfs-site.xml单机模式关键配置 -- configuration property namedfs.replication/name value1/value /property property namedfs.namenode.name.dir/name valuefile:///opt/hadoop/data/nn/value /property property namedfs.datanode.data.dir/name valuefile:///opt/hadoop/data/dn/value /property /configuration把 namenode 和 datanode 的数据目录分开指定后续出问题需要重置时删目录也删得干净。!-- yarn-site.xml单机跑 MR 的关键 -- configuration property nameyarn.nodemanager.aux-services/name valuemapreduce_shuffle/value /property property nameyarn.nodemanager.resource.memory-mb/name value2048/value /property property nameyarn.nodemanager.vmem-check-enabled/name valuefalse/value /property /configurationvmem-check-enabled 设成 false 是伪分布式血泪经验。物理内存只有 4G 到 8G 的机器上YARN 默认虚拟内存检查经常误杀 Container关掉它至少不会让你在演示时突然看到作业失败。!-- mapred-site.xml指定计算框架走 YARN -- configuration property namemapreduce.framework.name/name valueyarn/value /property /configuration配置完成后首次启动顺序是固定的# 1. 格式化 NameNode只在第一次启动前执行 hdfs namenode -format # 2. 启动 HDFS 与 YARN start-dfs.sh start-yarn.sh # 3. 验证五个进程是否都在 jpsjps 输出里应该看到 NameNode、DataNode、SecondaryNameNode、ResourceManager、NodeManager 这五个进程少一个都不正常。进程没起来时第一时间去 $HADOOP_HOME/logs 目录看对应日志文件绝大部分问题日志里都写得很明白。2.3 源代码与文档目录怎么规划从src到docs都有讲究基于Hadoop的疾病信息统计平台既然带了源代码和文档说明项目目录结构最好一开始就按可交付的标准组织避免答辩前到处找文件。disease-stat-platform/ ├── bin/ # 启动、上传、统计的一键脚本 │ ├── start_all.sh │ ├── upload_data.sh │ └── run_jobs.sh ├── conf/ # 项目级配置 ├── input/ # 样例疾病数据CSV ├── output/ # MapReduce 统计结果 ├── src/main/java/ # 源码 │ └── com/disease/stat/ │ ├── mapreduce/ # 各维度统计作业 │ ├── etl/ # 数据清洗相关 │ └── web/ # 可视化后端接口 └── docs/ # 毕业设计文档 ├── 需求分析.md ├── 概要设计.md ├── 详细设计.md └── 测试报告.md源代码放 src文档放 docs数据放 input结果放 output脚本放 bin。这个结构的好处是每个目录职责单一文档里写“系统模块划分”时可以直接引用目录名答辩老师问你代码在哪打开目录就能讲。bin 下的脚本建议从第一天就开始写每次手动执行的命令都要沉淀成脚本后期跑演示时会省非常多时间。3. 把疾病数据装进HDFS字段设计、清洗与上传的完整流程3.1 疾病记录表怎么设计字段、样例数据与保留原始字段的原因疾病信息统计平台的数据源是结构化的疾病记录。设计表结构时有一个原则原始表只做标准化存储不提前做聚合。统计是 MapReduce 的事原始数据里字段越全后续按病种、地区、年龄、时间切片就越灵活。字段名类型样例值说明case_idstringC0001病例唯一标识用于去重diseasestring高血压病种名称统计的主维度之一genderstring男性别ageint62年龄清洗时转数值regionstring杭州市地区维度diagnose_datestring2024-03-12诊断日期可再做月份统计statusstringconfirmed记录状态confirmed/treating/cured样例数据先造出一份数据量不用大五六十条能覆盖各维度即可跑通流程后再决定要不要扩到上万条case_id,disease,gender,age,region,diagnose_date,status C0001,高血压,男,62,杭州市,2024-03-12,confirmed C0002,2型糖尿病,女,54,宁波市,2024-03-13,confirmed C0003,急性上呼吸道感染,男,28,温州市,2024-03-14,cured C0004,高血压,女,71,绍兴市,2024-03-14,confirmed C0005,冠心病,男,66,嘉兴市,2024-03-15,treating C0006,哮喘,女,35,湖州市,2024-03-16,confirmed注意第一行是表头MapReduce 作业里要做一次跳过处理不然会把“disease”也统计进去。âge 字段保留为字符串还是转成 int取决于你要不要做年龄段分组后面按年龄段统计时会按 int 计算建议清洗阶段就完成转换。3.2 先用Python做ETL再进HDFS清洗脚本与编码处理数据进 HDFS 之前必须做一轮清洗。常见做法是先用 Python 脚本在本地完成 ETL再把清洗后的 CSV 上传而不是把脏数据直接丢给 MapReduce 去处理。原因很简单清洗逻辑写一遍就能复用而且能在上传前直观看到数据质量报告如果上传后再发现脏数据你得重跑整个流程HDFS 又变成一个黑匣子排查成本高得多。# etl_clean.py # 清洗原始疾病数据去BOM、去空值、去异常年龄、统一编码 import pandas as pd raw_path input/disease_records_raw.csv clean_path input/disease_records.csv df pd.read_csv(raw_path, encodingutf-8-sig, dtypestr, na_filterFalse) # 去空格病种和地区经常混入肉眼不可见的空白字符 df[disease] df[disease].str.strip() df[region] df[region].str.strip() # 年龄转数值非法值直接剔除 df[age] pd.to_numeric(df[age], errorscoerce) df df[df[age].notna()] df[age] df[age].astype(int) # 病种为空的记录剔除 df df[df[disease] ! ] # 统一写出为 UTF-8保持字段顺序 df.to_csv(clean_path, indexFalse, encodingutf-8) print(f清洗完成原始 {len(pd.read_csv(raw_path, encodingutf-8-sig))} 行剩余 {len(df)} 行)逻辑说明read_csv 用 encodingutf-8-sig 是为了自动吃掉 UTF-8 BOM 头。Windows 下用 Excel 另存的 CSV 经常带 BOM如果不处理Hadoop 读到的第一列第一个字段前面会多一个不可见字符按病种统计时“高血压”和“\ufeff高血压”会被当成两个完全不同的 key这是后续乱码问题的头号来源。清洗前后行数差异要打印出来这个数字会写进毕业设计文档的测试报告里证明数据预处理环节是有效的。3.3 上传到HDFS的两套入口命令行PUT与Java API清洗后的 CSV 上传到 HDFS有两条路可以走。命令行最快适合开发和演示时手动操作Java API 适合集成到平台代码里做成一个“数据上传”功能按钮。# 在 HDFS 上创建目录结构 hdfs dfs -mkdir -p /disease/input # 上传清洗后的数据 hdfs dfs -put input/disease_records.csv /disease/input/ # 验证-ls 看文件列表-blocks 看数据块分布 hdfs dfs -ls /disease/input/ hdfs fsck /disease/input/disease_records.csv -files -blocks参数说明-put 是上传-mkdir -p 是递归建目录fsck 命令会列出文件被切成几个 block、每个 block 存在哪个节点上。答辩时演示 fsck 的输出是展示你对 HDFS 底层机制有理解的最直观方式。Java API 的写法对应的是平台内部的数据接入模块// UploadToHdfs.java // 把本地文件上传到 HDFS 指定路径对应平台“数据接入”功能 import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.fs.FileSystem; import org.apache.hadoop.fs.Path; String localPath /tmp/disease_records.csv; String hdfsPath /disease/input/disease_records.csv; Configuration conf new Configuration(); conf.set(fs.defaultFS, hdfs://localhost:9000); FileSystem fs FileSystem.get(conf); fs.copyFromLocalFile(new Path(localPath), new Path(hdfsPath)); fs.close(); System.out.println(上传完成 hdfsPath);逻辑说明Configuration 里的 fs.defaultFS 要和 core-site.xml 保持一致FileSystem.get 会读取 conf 并建立连接copyFromLocalFile 完成本地到 HDFS 的拷贝。实际项目中这段代码会包在一个 Service 类里由后端接口触发。4. 统计逻辑落地MapReduce多维计数作业的完整代码与调优参数4.1 按病种统计发病数一个可以直接编译的MapReduce作业这是整个平台的核心作业也是最简单的 MapReduce 入门形态。Mapper 读入 CSV 行抽出病种字段作为 keyvalue 固定为 1Reducer 把同一个病种的所有 1 相加输出病种和总数。// DiseaseCountJob.java // 按病种统计发病数Mapper抽取病种Reducer聚合计数 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 java.io.IOException; public class DiseaseCountJob { // Mapper每行输入输出 病种, 1 public static class DiseaseMapper extends MapperObject, Text, Text, IntWritable { private final static IntWritable one new IntWritable(1); private Text disease new Text(); Override protected void map(Object key, Text value, Context context) throws IOException, InterruptedException { String line value.toString(); if (line.startsWith(case_id)) { return; // 跳过表头 } String[] fields line.split(,, -1); if (fields.length 6) { return; // 字段数不足视为脏数据丢弃 } disease.set(fields[1].trim()); // 第二列是病种 context.write(disease, one); } } // Reducer同一个病种的计数累加 public static class CountReducer extends ReducerText, IntWritable, Text, IntWritable { private IntWritable result new IntWritable(); Override protected void reduce(Text key, IterableIntWritable 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(); Job job Job.getInstance(conf, disease count by type); job.setJarByClass(DiseaseCountJob.class); job.setMapperClass(DiseaseMapper.class); job.setCombinerClass(CountReducer.class); job.setReducerClass(CountReducer.class); job.setOutputKeyClass(Text.class); job.setOutputValueClass(IntWritable.class); // 结果文件数直接决定输出 part 文件个数这里设 1 便于后续导入 job.setNumReduceTasks(1); FileInputFormat.addInputPath(job, new Path(args[0])); FileOutputFormat.setOutputPath(job, new Path(args[1])); System.exit(job.waitForCompletion(true) ? 0 : 1); } }逻辑说明split 用 ,, -1 而不是 split(,)区别在于 -1 会保留末尾的空字段避免某行数据以逗号结尾时字段被截断。Combiner 这里直接复用 Reducer 的类因为求和操作满足交换律和结合律这个技巧要能讲明白原因答辩常问。参数说明setNumReduceTasks(1) 会强制所有输出写进一个 part-r-00000 文件方便后续和 MySQL 导入、图表展示对接。但要注意如果数据量超过几百万行Reduce 数量设 1 会成为性能瓶颈那时应按数据量设置 3 到 5 个 Reduce并且用下一节的方法处理多个输出文件。4.2 组合Key与MultipleOutputs一次扫描输出多张统计表按病种统计只是最简单的一个维度。平台真正要展示的能力是“多维统计”按病种、按地区、按年龄段、按月份。如果每个维度单独写一个作业跑一遍逻辑没错但文档里会显得设计得很笨。常见做法是用组合 Key 或者 MultipleOutputs 一次扫描同时输出多张结果表。组合 Key 的思路是这样Mapper 输出时key 用 “病种#地区” 这样的组合字符串Reducer 内部再拆开。代价是维度组合要提前写死。MultipleOutputs 更灵活它允许在 Reducer 里根据不同条件把结果写入不同的输出文件。// MultiDimStatJob.java 关键片段 // 在 Reducer 中同时输出按病种、按地区两张统计表 import org.apache.hadoop.mapreduce.lib.output.MultipleOutputs; import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat; public class MultiDimReducer extends ReducerText, IntWritable, Text, IntWritable { private MultipleOutputsText, IntWritable mos; private IntWritable result new IntWritable(); Override protected void setup(Context context) { mos new MultipleOutputs(context); } Override protected void reduce(Text key, IterableIntWritable values, Context context) throws IOException, InterruptedException { int sum 0; for (IntWritable val : values) { sum val.get(); } result.set(sum); // key 形如 高血压#杭州市按分隔符拆开分别输出 String[] dims key.toString().split(#); if (dims.length 2) { mos.write(by_type, new Text(dims[0]), result); mos.write(by_region, new Text(dims[1]), result); } } Override protected void cleanup(Context context) throws IOException, InterruptedException { mos.close(); // 不关闭会丢失缓冲区内容 } }Driver 里通过 addNamedOutput 声明输出通道MultipleOutputs.addNamedOutput(job, by_type, TextOutputFormat.class, Text.class, IntWritable.class); MultipleOutputs.addNamedOutput(job, by_region, TextOutputFormat.class, Text.class, IntWritable.class);逻辑说明map 阶段把地区和病种拼成组合 keyreduce 阶段拆开并分流到不同命名输出。输出目录里会出现 by_type-r-00000、by_region-r-00000 这样的文件。好处是只跑一次全量扫描得到多张统计表代价是组合 key 的分组方式要仔细设计选错维度组合会导致 Reduce 阶段的数据倾斜。年龄段分组在 map 阶段直接做离散化读取 age 后判断落在哪个区间输出 key 里拼上区间名比如 “高血压#60-70岁”。这个逻辑放在 Mapper 里而不是 Reducer 里能让分组计算提前完成Reduce 端只做简单拼接。4.3 提交到YARN的三个必调参数与调度流程复盘作业代码写完后打包成 jar通过 YARN 提交。提交命令按下面这个模板来# 打包后用 yarn jar 提交 mvn clean package -DskipTests yarn jar target/disease-stat-1.0.jar \ com.disease.stat.mapreduce.DiseaseCountJob \ /disease/input \ /disease/output/count_type参数说明第一个参数是输入目录第二个是输出目录。输出目录在提交前必须不存在否则 HDFS 会直接抛出 FileAlreadyExistsException这个坑后面避坑章会专门展开。作业提交到 YARN 的完整调度流程要能复盘客户端把 jar 和输入分片信息发给 ResourceManagerRM 找一个 NodeManager 启动 ApplicationMasterAM 向 RM 申请容器容器里才真正跑 Map Task 和 Reduce Task。整个流程是答辩时的高频问题建议把四步调度链路画进设计文档。开发阶段还有三个必调参数要确认!-- mapred-site.xml 中补充配置 -- property namemapreduce.map.memory.mb/name value1024/value /property property namemapreduce.reduce.memory.mb/name value1024/value /property property namemapreduce.job.reduces/name value1/value /propertymapreduce.map.memory.mb 和 reduce 的同名参数决定每个 Map/Reduce Task 能申请到的容器内存。伪分布式下物理内存有限设太大容易溢出设太小作业会在 shuffle 阶段频繁 GC。mapreduce.job.reduces 是在不写代码的情况下直接指定 Reduce 数量的开关优先级低于 Job#setNumReduceTasks。5. 避坑专场伪分布式日常翻车的5条血泪经验5.1 NodeManager总是自动退出内存参数没配对现象start-yarn.sh 执行后ResourceManager 在 jps 里能看见NodeManager 进程启动几秒后自动消失或者作业提交后一直卡在 ACCEPTED 状态不调度。原因NodeManager 启动时会检查 yarn.nodemanager.resource.memory-mb 的值如果设得比物理机可用内存大或与 ResourceManager 的调度内存不匹配NM 会拒绝启动。更常见的场景是机器内存只有 4G配置却按网上教程抄了 8G 的值。解决把 yarn-site.xml 里的内存参数调到物理机真实内存的一半以下比如 4G 机器设 2048同时把 vmem-check-enabled 设成 false。改完配置文件后要执行 yarn stop 和 start-yarn.sh 完整重启只重启 NodeManager 有时不会重新加载配置。# 改完配置后的标准重启顺序 yarn stop start-yarn.sh jps5.2 NameNode启动失败重复format的后果与重置方法现象hdfs namenode -format 执行完后start-dfs.sh 启动NameNode 日志里报错提示 clusterID 不一致或直接打印 “NameNode format must be executed only once”。原因同一个 Hadoop 数据目录被 format 了多次旧元数据里的 clusterID 和新写入的 clusterID 对不上。伪分布式下很多人习惯不好遇到问题就 formatformat 其实是初始化操作不是维修操作。解决先把所有进程停掉然后删除 hadoop.tmp.dir、dfs.namenode.name.dir、dfs.datanode.data.dir 三个配置指向的目录全新 format 一次再启动。这个操作会清空 HDFS 上的所有数据所以数据要提前备份到本地。# 彻底重置 NameNode 数据目录 stop-dfs.sh rm -rf /opt/hadoop/data/tmp /opt/hadoop/data/nn /opt/hadoop/data/dn hdfs namenode -format start-dfs.sh5.3 统计结果中文乱码BOM头与编码统一现象按病种统计的结果文件里“高血压”显示正常但同样的病种出现在两个不同的 key 下其中一个 key 前面带着一个看不见的字符或者导入 MySQL 后中文全部变成问号。原因CSV 文件是 UTF-8 with BOM 格式清洗阶段没有用 utf-8-sig 读取导致第一列第一个字段前面残留了 BOM 头。Hadoop 的 TextInputFormat 默认按 UTF-8 读取BOM 会被当成普通字符拼进 key。MySQL 侧乱码则是表字符集和连接字符集不一致导致。解决清洗脚本里强制用 encodingutf-8-sig 读取写出时用 encodingutf-8MySQL 建表时指定 utf8mb4 字符集导入命令加 --default-character-setutf8mb4。这两处统一后乱码问题基本不会再出现。5.4 Windows下Permission DeniedHADOOP_USER_NAME与winutils现象Windows 上用 IDEA 写代码本地调试 MapReduce 作业时报错信息里出现 Permission denied或者 HDFS 写入时提示用户名不存在。原因HDFS 的权限模型认为当前用户是 Windows 系统用户名比如 Administrator而这个用户在 HDFS 上没有任何权限访问 /disease 目录直接被拒。解决在 IDEA 的运行配置里加一个环境变量 HADOOP_USER_NAMEhdfs让 HDFS 相认当前用户。如果还需要本地访问 HDFS 文件系统winutils.exe 的版本要和 Hadoop 版本一致这个工具负责在 Windows 下提供 HDFS 原生 POSIX 权限的实现版本不匹配会出现各种莫名其妙的 native 方法报错。IDEA Run Configuration 环境变量 HADOOP_USER_NAMEhdfs5.5 作业报FileAlreadyExistsException输出目录清理的顺手指势现象同一个作业第二次跑控制台报 org.apache.hadoop.mapred.FileAlreadyExistsException输出目录已存在。原因MapReduce 的输出目录不允许预先存在这是 HDFS 防止结果被覆盖的安全机制。很多人跑完一次不清理直接重跑就踩中这个错。解决每次跑批前删除输出目录。不要把这个操作写进 Java 代码里在 bin 下的 run_jobs.sh 脚本里管理更清晰# run_jobs.sh每次执行前先清理历史输出 hdfs dfs -rm -r /disease/output/count_type yarn jar target/disease-stat-1.0.jar \ com.disease.stat.mapreduce.DiseaseCountJob \ /disease/input /disease/output/count_type-rm -r会递归删除整个输出目录配合前面第 4 章提到的 output 目录管理制度整个跑批过程能做到无脑重复执行。6. 结果入库与抽查验证用MySQL和原始数据反推MR输出6.1 用LOAD DATA把part文件导入MySQL一条命令与三个参数MapReduce 统计完成后结果落在 HDFS 的 part 文件里。下一步是把这些结果导入 MySQL供后端接口查询和图表展示。最直接的路径是先用 hdfs dfs -cat 拉到本地再用 MySQL 的 LOAD DATA 命令导入整条链路没有多余依赖。# 1. 导出到本地 hdfs dfs -cat /disease/output/count_type/part-r-00000 /tmp/count_type.tsv # 2. 导入 MySQL表预先建好字符集 utf8mb4 mysql -uroot -p --default-character-setutf8mb4 disease_stat \ -e LOAD DATA LOCAL INFILE /tmp/count_type.tsv \ INTO TABLE stat_result \ FIELDS TERMINATED BY \\t \ (disease_name, total_count);这里三个参数最容易出错。FIELDS TERMINATED BY 必须写 \t因为 MapReduce 的 TextOutputFormat 默认用制表符分隔 key 和 valueLINES 默认按换行符识别不用改字符集必须用 utf8mb4否则中文病种名入库后全部变成问号。导入后建议立刻执行 SELECT 抽查计数和 SUM 总计核对是否和 part 文件一致。6.2 抽查法验证用原始数据反推MR输出是否可信验证 MapReduce 结果对不对最朴素的方法是从原始数据反推。选一个病种直接在 HDFS 的原始 CSV 上用 grep 和 wc 统计再和 MR 输出对比。# 从原始数据统计高血压出现次数 hdfs dfs -cat /disease/input/disease_records.csv | grep 高血压 | wc -l # 查看 MR 统计输出 hdfs dfs -cat /disease/output/count_type/part-r-00000 | grep 高血压两个数字一致这个维度的统计就是可信的。如果数据量上了几十万行grep 统计会很慢但验证的目的本来就是抽查不要求全量。还有一个更高级的核验手段计数恒等式。无论按哪个维度切分病例总数应该相等。按病种统计的各病种数量之和、按地区统计的各地区数量之和理论上都等于去重后的 total case_id 数。这个恒等式可以写成一个 SQL 校验脚本放进测试报告里作为结论性证据。-- 校验各维度 SUM 是否一致 SELECT by_type AS dim, SUM(total_count) AS total FROM stat_result_by_type UNION ALL SELECT by_region, SUM(total_count) FROM stat_result_by_region UNION ALL SELECT raw_data, COUNT(DISTINCT case_id) FROM disease_records;三个值相等你的统计平台在逻辑上就是自洽的。我自己的习惯是每改一次 MapReduce 作业先取 500 行小样本跑一遍对照 part 文件行数和抽查数字确认无误再跑全量。这套核验动作虽然简单但能在答辩前拦下绝大多数低级错误也让你面对“结果凭什么可信”这个问题时能不心虚地把验证流程讲完整。希望帮到你。本文还有配套的精品资源点击获取