对你同样重要的非技术贴，一封有效的求职信的具体写法 - 布鲁斯杨

本邮件内容由第三方提供，如果您不想继续收到该邮件，可 点此退订 。

对你同样重要的非技术贴，一封有效的求职信的具体写法 - 布鲁斯杨  阅读原文»

接我的上篇博文《 对你同样重要的非技术贴，告诉你写求职信的9个技巧》。

一封有效的求职信字数应该控制在200字之内，要保持一个简单、清楚的格式布局。

求职信的格式可分为三段：求职、介绍、总结。

每个段落言简意赅，不要堆砌修饰语，比如：我努力攻读，不断学习等等没用的话。每段3--5个句子就可以。


第一段：求职

格式：开头“负责人”（最好有名字）+您好！（另起一行）+ “你的名字”+“我有3年的web前端开发开发工作经验”+“应聘贵公司xx职位”。

这样的开头可以让HR从一开始就知道你想要什么以及你的资历。随后，他会得出一个基本的判断，还用不用接着往下看了。同时，他也能感觉到你是在帮他节省时间。

注意：不要用那些千篇一律的客套话开头，比如：尊敬的负责人，您好!首先请允许我向您致以良好的祝愿和诚挚的问候，感谢您在百忙之中抽出时间阅读这封求职信。（这是不对的写法，你不需要和他们一样）

记住，你确实是在求职，但保持基本的职场礼节就够了，充分体现你的高效和专业才会给HR留下良好的第一印象。

注：如果你实在无法知道负责招聘的人的名字，那你抬头就写：尊敬的招聘经理，这样的称呼最保险。

用Map-Reduce的思维处理数据 - CodeMeals  阅读原文»

　　在很多人的眼里，Map-Reduce等于Hadoop，没有Hadoop谈Map-Reduce犹如自上谈兵，实则不然，Map-Reduce是一种计算模型，只是非常适合在并行的环境下运行，Hadoop是Map-Reduce的一种实现，没有Hadoop照样可以跑Map-Reduce程序。python就内置有map()和reduce方法（虽然与hadoop的map-reduce有区别）。

　　这篇文章主要介绍如何用python在linux的管道进行map-reduce编程，本文写的所有map-reduce程序都可以原封不动的放在Hadoop下运行，关于用Hadoop Streaming调用python的map-reduce程序，可以参考这篇文章（非常详细，推荐看看），本文主要通过几个实例来讲解如何用map-reduce来处理具体的问题。

一、python的内置函数map reduce

　　首先来看看python的两个内置函数map()和reduce()

1、map　　

map(function, iterable, ...)

　　map对迭代器的每个元素调用function函数，在Python2中，将得到的结果组成一个list，而在python3中结果是一个迭代器。function的参数只有一个，即为迭代器的元素，看一个实例：

>>> d = [1,2,3,4,5]
>>> m = map(lambda x:x*2,d)
>>> print m
[2, 4, 6, 8, 10]

　　这里的map可以理解为一种映射，将迭代器中的元素经过function映射到另一个值。

2、reduce

reduce(function, iterable[, initializer])

　　reduce可以理解为规约，它对迭代器从左到右累计调用function，function有两个参数，第一个是之前的累积值，第二个当前规约的元素，实例：

>>> d = [1,2,3,4,5]
>>> r = reduce(lambda x,y:x+y,d)
>>> r
15

　　利用reduce定义一个求前n个整数之和的函数

>>> def accuPlus(n):
return reduce(lambda x,y:x+y,range(1,n+1))

>>> print accuPlus(10)
55
>>> print accuPlus(500)
125250
>>>

　　上面介绍的python的两个内置函数与我接下来要介绍的map-reduce还是有一些区别，适用于分布式下的map-redece主要是以键值对的形式处理数据，map阶段发射很多键值对出去，然后按键排序，而reduce则对键相同的键值对进行处理，也可认为是一种规约。

二、用map-reduce做词频统计

　　词频统计可以说是map-reduce的Hello World程序，它简单明了，却描述了map-reduce的基本原理，统计中文的词频得先要分词，目前有一些免费的分词软件，中科院和哈工大的都还不错，现在我们有下面这样一篇已经分好词的文章（data.txt）需要进行词频统计：

双子座 的 你 是 这样 的 吗 1 手机 不 离 身 睡觉 不 关机 2 对待 不同 的 人 有 不同 的 性格 3 从 小 懂得 很多 道理 但 知 行 往往 难以 合 一 4 有 时候 很 神经 有时候 很 镇静 5 会 因为 别人 一 句 话 伤心 但 不 会 被 发现 6 很 会 安慰 别人 却 不 会 安慰 自己 7 会 经常 怀念 从 前

　　定义map的处理（mapper.py）如下：

1 #!encoding=utf-8
2
3 from sys import stdin
4
5 def mapprint(word):
6 '''定义map函数对元素的处理方式，这里直接打印'''
7 print word
8
9 #对每行进行统计
10 for line in stdin:
11 words = line.strip().split(' ')
12 map(mapprint,words)

　　mapper.py从标准输入流中对每一行进行处理，然后将每个单词打印到标准输出，输出之后需要对词进行排序，才能被reduce处理，利用管道我们来看看mapper.py对data.txt进行处理：

$ cat data.txt |python mapper.py |sort

　　输出的部分结果如下：

• 安慰
  安慰
  被
  别人
  别人
  不
  不
  不
  不
  不同
  不同
  从
  从
  但
  但
  道理
  

　　接下来我们看看reducer.py，mapper的输出排序后，相同的元素会出现在一起，我们可以从上往下扫描所有的元素，并维持一个计数器，遇到相同的词就把计数器加1，遇到不相同的词，就说明上一个词已经统计完毕了，可以将这个词及其词频输出到标准输出：

1 #!encoding=utf-8
2 from sys import stdin
3
4 last = None
5 count = 0
6 for line in stdin:
7 word = line.strip()
8 if word != last:#遇到不同的词
9 if last:
10 print '%s\t%d' % (last,count)
11 last = word
12 count = 0
13 count += 1
14 #输出最后一个词
15 if last:
16 print '%s\t%d' % (last,count)
17

　　结合map和reduce，整个词频统计执行如下：

$ cat data.txt |python mapper.py | sort |python reducer.py

　　输出的词频结果：

1 1
2 1
3 1
4 1
5 1
6 1
7 1
安慰 2
被 1
别人 2
不 4
不同 2
从 2
但 2
道理 1
的 4
懂得 1
对待 1
发现 1
关机 1
合 1
很 3
很多 阅读更多内容