使用Python和Hadoop Streaming编写MapReduce

最近有个需求，就是对视频日志中的部分URL提取出来，并随机挑选五条。由于线上日志比较大，而且需要每天执行一次，如果单纯的用python即便是多线程性能也会大大折扣。于是考虑到用hadoop的MR去实现。
准备工作：
1、hadoop集群；
2、mapper和reducer划分；
初步把提取url的操作划分为mapper中执行，随机挑选5条由reducer去执行。
首先看下MR的工作原理：


上图是MR的workflow，在介绍Hadoop Streaming的时候，可以拿来做参照。
Hadoop 和 MapReduce已经如日中天。Hadoop 不仅可以使用Java进行MapReduce的编写，也通过Hadoop Streaming的方式提供了其他语言编写MR的接口。更重要的是，使用python来编写MR，比使用亲儿子Java编写MR要更简单和方便……所以在一些不非常复杂的任务中使用python来编写MR比起使用Java，是更加划算的。
Hadoop Streaming：

Hadoop Streaming提供了一个便于进行MapReduce编程的工具包，使用它可以基于一些可执行命令、脚本语言或其他编程语言来实现Mapper和 Reducer，从而充分利用Hadoop并行计算框架的优势和能力。Hadoop Streaming比较独特的一点是利用的UNIX标准输入输出stdin和stdout，所以只要能处理stdin和stdout的编程语言都能够使用Hadoop Streaming来进行MR的编写。甚至，wc、awk这些linux自带的能处理标准输入输出的程序，也能被用来编写Hadoop Streaming。
怎么工作的呢：
Hadoop Streaming 提供了一个hadoop-streaming.jar，默认处于$HADOOP_HOME目录下。如果不在可以自己搜索下，然后使用Hadoop 执行该jar，传入MR job 的参数们开始MapReduce。一个最基本的使用Hadoop Streaming来执行MR的命令行如下：

 /home/xitong/software/hadoop-0.20.2.1U29/bin/hadoop  jar \
 /home/xitong/software/hadoop-0.20.2.1U29/contrib/streaming/hadoop-streaming.jar \
 -input /user/eng-test/vidio  -output /user/eng-test/vidiooutnew  \
-mapper  /home/eng-test/donhiyue/mapper.py  \
-reducer /home/eng-test/donhiyue/reducer.py
这时候我们执行下上面的命令，这个时候会报错：
1、sh: /home/eng-test/donhiyue/mapper.py: 没有那个文件或目录
这里因为map是需要分发给下面的各个slave去执行的，所以有个文件拷贝的动作，这里加上-file就可以了，于是命令变为如下：
/home/xitong/software/hadoop-0.20.2.1U29/bin/hadoop jar /home/xitong/software/hadoop-0.20.2.1U29/contrib/streaming/hadoop-streaming.jar
-input /user/eng-test/vidio  -output /user/eng-test/vidiooutnew3  
-file /home/eng-test/dongshiyue/mapper.py
-file /home/eng-test/dongiyue/reducer.py
-mapper  /home/eng-test/dongiyue/mapper.py  
-reducer /home/eng-test/dongshiyue/reducer.py
2、报各种命令错误如import失败等，是因为-mapper 应该用Python执行
/home/xitong/software/hadoop-0.20.2.1U29/bin/hadoop jar /home/xitong/software/hadoop-0.20.2.1U29/contrib/streaming/hadoop-streaming.jar 
-input /user/eng-test/vidio  -output /user/eng-test/vidiooutnew3  
-file /home/eng-test/dongshiyue/mapper.py 
-file /home/eng-test/dongiyue/reducer.py 
-mapper  “python /home/eng-test/dongiyue/mapper.py" 
-reducer  "python /home/eng-test/dongshiyue/reducer.py

总结下流程：

Hadoop Streaming的工作流程大概如下：

1. hadoop-streaming.jar向Hadoop集群注册一个新的job，传入input path和output path等
2. 开始mapper时，Hadoop Streaming会将输入文件按行传入stdin
3. 我们自己编写的mapper需要读取stdin每一行，对其进行处理
4. mapper处理完毕的中间结果也要写入stdout，在Python中print语句默认即输出到stdout，当然若是不放心，也可以手动指定输出流。对于输出到stdout中的每一行，hadoop将默认以’\t’作为分隔符切割成k-v的格式。
5. mapper处理结束后，Hadoop 自动进行partition、sort、group，准备进行reduce任务
6. Hadoop Streaming将中间结果按行传给reducer
7. 我们编写的reducer需要读取stdin的每一行，对其进行处理
8. 处理结束之后仍然输出到stdout中
9. Hadoop 转存到output path中
10. 结束

最后：
我们一般在本地调试的话，用这条命令就可以了： 
cat part-00001 |python mapper.py |sort|python reducer.py
part-00001为要执行的文件。调试通过后再去集群上执行；
map代码示例：

import json
import sys
import pattern

def map():
    patterns = {}
    urls = []
    for line in sys.stdin:
        line = line.strip()
        #print line
        json_obj = json.loads(line)
        play_url = json_obj['play_url'].strip()
        if play_url != "":
            urlpatter = pattern.hand_url(play_url)
            if urlpatter not in patterns.keys():
                patterns[urlpatter] = [play_url]
            else:
                patterns[urlpatter].append(play_url)
    for i in patterns.keys():
        print "%s\t%s"%(i,patterns[i])


if __name__ == '__main__':
    map()

reduce代码示例(只是示例，暂未做随机挑选5条的功能）：

import sys

def reducer():
    for line in sys.stdin:
        #print line
        key,value = line.rstrip('\n').split('\t')
        print key,value


if __name__ == "__main__":
    reducer()