转自:使用Python实现Hadoop MapReduce程序 http://blog.csdn.net/zhaoyl03/article/details/8657031/
英文原文:Writing an Hadoop MapReduce Program in Python
根据上面两篇文章,下面是我在自己的ubuntu上的运行过程。文字基本采用博文使用Python实现Hadoop MapReduce程序, 打字很浪费时间滴。
在这个实例中,我将会向大家介绍如何使用Python 为 Hadoop编写一个简单的MapReduce程序。
尽管Hadoop 框架是使用Java编写的但是我们仍然需要使用像C++、Python等语言来实现 Hadoop程序。尽管Hadoop官方网站给的示例程序是使用Jython编写并打包成Jar文件,这样显然造成了不便,其实,不一定非要这样来实现,我们可以使用Python与Hadoop 关联进行编程,看看位于/src/examples/python/WordCount.py 的例子,你将了解到我在说什么。
我们想要做什么?
我们将编写一个简单的 MapReduce 程序,使用的是C-Python,而不是Jython编写后打包成jar包的程序。
我们的这个例子将模仿 WordCount 并使用Python来实现,例子通过读取文本文件来统计出单词的出现次数。结果也以文本形式输出,每一行包含一个单词和单词出现的次数,两者中间使用制表符来想间隔。
先决条件
编写这个程序之前,你学要架设好Hadoop 集群,这样才能不会在后期工作抓瞎。如果你没有架设好,那么在后面有个简明教程来教你在Ubuntu Linux 上搭建(同样适用于其他发行版linux、unix)
如何在Ubuntu Linux 上搭建hadoop的单节点模式和伪分布模式,请参阅博文Ubuntu上搭建Hadoop环境(单机模式+伪分布模式)
Python的MapReduce代码
使用Python编写MapReduce代码的技巧就在于我们使用了 HadoopStreaming 来帮助我们在Map 和 Reduce间传递数据通过STDIN (标准输入)和STDOUT (标准输出).我们仅仅使用Python的sys.stdin来输入数据,使用sys.stdout输出数据,这样做是因为HadoopStreaming会帮我们办好其他事。这是真的,别不相信!
Map: mapper.py
将下列的代码保存在/usr/local/hadoop/mapper.py中,他将从STDIN读取数据并将单词成行分隔开,生成一个列表映射单词与发生次数的关系:
注意:要确保这个脚本有足够权限(chmod +x mapper.py)。
-
-
-
import sys
-
-
-
for line in sys.stdin:
-
-
line = line.strip()
-
-
words = line.split()
-
-
for word in words:
-
-
-
-
-
-
print '%s\t%s' % (word, 1)
在这个脚本中,并不计算出单词出现的总数,它将输出 "<word> 1" 迅速地,尽管<word>可能会在输入中出现多次,计算是留给后来的Reduce步骤(或叫做程序)来实现。当然你可以改变下编码风格,完全尊重你的习惯。Reduce: reducer.py
将代码存储在/usr/local/hadoop/reducer.py 中,这个脚本的作用是从mapper.py 的STDIN中读取结果,然后计算每个单词出现次数的总和,并输出结果到STDOUT。
同样,要注意脚本权限:chmod +x reducer.py
-
-
-
from operator import itemgetter
-
import sys
-
-
current_word = None
-
current_count = 0
-
word = None
-
-
-
for line in sys.stdin:
-
-
line = line.strip()
-
-
-
word, count = line.split('\t', 1)
-
-
-
try:
-
count = int(count)
-
except ValueError:
-
-
-
continue
-
-
-
-
if current_word == word:
-
current_count += count
-
else:
-
if current_word:
-
-
print '%s\t%s' % (current_word, current_count)
-
current_count = count
-
current_word = word
-
-
-
if current_word == word:
-
print '%s\t%s' % (current_word, current_count)
测试你的代码(cat data | map | sort | reduce)
我建议你在运行MapReduce job测试前尝试手工测试你的mapper.py 和 reducer.py脚本,以免得不到任何返回结果
这里有一些建议,关于如何测试你的Map和Reduce的功能:
-
hadoop@derekUbun:/usr/local/hadoop$ echo "foo foo quux labs foo bar quux" | ./mapper.py
-
foo 1
-
foo 1
-
quux 1
-
labs 1
-
foo 1
-
bar 1
-
quux 1
-
hadoop@derekUbun:/usr/local/hadoop$ echo "foo foo quux labs foo bar quux" |./mapper.py | sort |./reducer.py
-
bar 1
-
foo 3
-
labs 1
-
quux 2
# using one of the ebooks as example input
# (see below on where to get the ebooks)
-
hadoop@derekUbun:/usr/local/hadoop$ cat book/book.txt |./mapper.pysubscribe 1
-
to 1
-
our 1
-
email 1
-
newsletter 1
-
to 1
-
hear 1
-
about 1
-
new 1
-
eBooks. 1
在Hadoop平台上运行Python脚本
为了这个例子,我们将需要一本电子书,把它放在/usr/local/hadpoop/book/book.txt之下
-
hadoop@derekUbun:/usr/local/hadoop$ ls -l book
-
总用量 636
-
-rw-rw-r-- 1 derek derek 649669 3月 12 12:22 book.txt
复制本地数据到HDFS
在我们运行MapReduce job 前,我们需要将本地的文件复制到HDFS中:
-
hadoop@derekUbun:/usr/local/hadoop$ hadoop dfs -copyFromLocal /usr/local/hadoop/book book
-
hadoop@derekUbun:/usr/local/hadoop$ hadoop dfs -ls
-
Found 3 items
-
drwxr-xr-x - hadoop supergroup 0 2013-03-12 15:56 /user/hadoop/book
执行 MapReduce job现在,一切准备就绪,我们将在运行Python MapReduce job 在Hadoop集群上。像我上面所说的,我们使用的是HadoopStreaming 帮助我们传递数据在Map和Reduce间并通过STDIN和STDOUT,进行标准化输入输出。
-
hadoop@derekUbun:/usr/local/hadoop$hadoop jar contrib/streaming/hadoop-streaming-1.1.2.jar
-
-mapper /usr/local/hadoop/mapper.py
-
-reducer /usr/local/hadoop/reducer.py
-
-input book/*
-
-output book-output
在运行中,如果你想更改Hadoop的一些设置,如增加Reduce任务的数量,你可以使用“-jobconf”选项:
-
hadoop@derekUbun:/usr/local/hadoop$hadoop jar contrib/streaming/hadoop-streaming-1.1.2.jar
-
-jobconf mapred.reduce.tasks=4
-
-
-mapper /usr/local/hadoop/mapper.py
-
-reducer /usr/local/hadoop/reducer.py
-
-input book/*
-
-output book-output
如果上面两个运行出错,请参考下面一段代码。注意,重新运行,需要删除dfs中的output文件
-
bin/hadoop jar contrib/streaming/hadoop-streaming-1.1.2.jar
-
-mapper task1/mapper.py
-
-file task1/mapper.py
-
-reducer task1/reducer.py
-
-file task1/reducer.py
-
-input url
-
-output url-output
-
-jobconf mapred.reduce.tasks=3
一个重要的备忘是关于Hadoop does not honor mapred.map.tasks 这个任务将会读取HDFS目录下的book并处理他们,将结果存储在独立的结果文件中,并存储在HDFS目录下的book-output目录。之前执行的结果如下:
-
hadoop@derekUbun:/usr/local/hadoop$ hadoop jar contrib/streaming/hadoop-streaming-1.1.2.jar -jobconf mapred.reduce.tasks=4 -mapper /usr/local/hadoop/mapper.py -reducer /usr/local/hadoop/reducer.py -input book/* -output book-output
-
13/03/12 16:01:05 WARN streaming.StreamJob: -jobconf option is deprecated, please use -D instead.
-
packageJobJar: [/usr/local/hadoop/tmp/hadoop-unjar4835873410426602498/] [] /tmp/streamjob5047485520312501206.jar tmpDir=null
-
13/03/12 16:01:06 INFO util.NativeCodeLoader: Loaded the native-hadoop library
-
13/03/12 16:01:06 WARN snappy.LoadSnappy: Snappy native library not loaded
-
13/03/12 16:01:06 INFO mapred.FileInputFormat: Total input paths to process : 1
-
13/03/12 16:01:06 INFO streaming.StreamJob: getLocalDirs(): [/usr/local/hadoop/tmp/mapred/local]
-
13/03/12 16:01:06 INFO streaming.StreamJob: Running job: job_201303121448_0010
-
13/03/12 16:01:06 INFO streaming.StreamJob: To kill this job, run:
-
13/03/12 16:01:06 INFO streaming.StreamJob: /usr/local/hadoop/libexec/../bin/hadoop job -Dmapred.job.tracker=localhost:9001 -kill job_201303121448_0010
-
13/03/12 16:01:06 INFO streaming.StreamJob: Tracking URL:
-
13/03/12 16:01:07 INFO streaming.StreamJob: map 0% reduce 0%
-
13/03/12 16:01:10 INFO streaming.StreamJob: map 100% reduce 0%
-
13/03/12 16:01:17 INFO streaming.StreamJob: map 100% reduce 8%
-
13/03/12 16:01:18 INFO streaming.StreamJob: map 100% reduce 33%
-
13/03/12 16:01:19 INFO streaming.StreamJob: map 100% reduce 50%
-
13/03/12 16:01:26 INFO streaming.StreamJob: map 100% reduce 67%
-
13/03/12 16:01:27 INFO streaming.StreamJob: map 100% reduce 83%
-
13/03/12 16:01:28 INFO streaming.StreamJob: map 100% reduce 100%
-
13/03/12 16:01:29 INFO streaming.StreamJob: Job complete: job_201303121448_0010
-
13/03/12 16:01:29 INFO streaming.StreamJob: Output: book-output
-
hadoop@derekUbun:/usr/local/hadoop$
如你所见到的上面的输出结果,Hadoop 同时还提供了一个基本的WEB接口显示统计结果和信息。
当Hadoop集群在执行时,你可以使用浏览器访问 :
检查结果是否输出并存储在HDFS目录下的book-output中:
-
hadoop@derekUbun:/usr/local/hadoop$ hadoop dfs -ls book-output
-
Found 6 items
-
-rw-r--r-- 2 hadoop supergroup 0 2013-03-12 16:01 /user/hadoop/book-output/_SUCCESS
-
drwxr-xr-x - hadoop supergroup 0 2013-03-12 16:01 /user/hadoop/book-output/_logs
-
-rw-r--r-- 2 hadoop supergroup 33 2013-03-12 16:01 /user/hadoop/book-output/part-00000
-
-rw-r--r-- 2 hadoop supergroup 60 2013-03-12 16:01 /user/hadoop/book-output/part-00001
-
-rw-r--r-- 2 hadoop supergroup 54 2013-03-12 16:01 /user/hadoop/book-output/part-00002
-
-rw-r--r-- 2 hadoop supergroup 47 2013-03-12 16:01 /user/hadoop/book-output/part-00003
-
hadoop@derekUbun:/usr/local/hadoop$
可以使用dfs -cat 命令检查文件目录
-
hadoop@derekUbun:/usr/local/hadoop$ hadoop dfs -cat book-output/part-00000
-
about 1
-
eBooks. 1
-
the 1
-
to 2
-
hadoop@derekUbun:/usr/local/hadoop$
下面是原英文作者mapper.py和reducer.py的两个修改版本:
mapper.py
-
-
-
-
import sys
-
-
def read_input(file):
-
for line in file:
-
-
yield line.split()
-
-
def main(separator='\t'):
-
-
data = read_input(sys.stdin)
-
for words in data:
-
-
-
-
-
-
for word in words:
-
print '%s%s%d' % (word, separator, 1)
-
-
if __name__ == "__main__":
-
main()
reducer.py
-
-
-
-
from itertools import groupby
-
from operator import itemgetter
-
import sys
-
-
def read_mapper_output(file, separator='\t'):
-
for line in file:
-
yield line.rstrip().split(separator, 1)
-
-
def main(separator='\t'):
-
-
data = read_mapper_output(sys.stdin, separator=separator)
-
-
-
-
-
for current_word, group in groupby(data, itemgetter(0)):
-
try:
-
total_count = sum(int(count) for current_word, count in group)
-
print "%s%s%d" % (current_word, separator, total_count)
-
except ValueError:
-
-
pass
-
-
if __name__ == "__main__":
-
main()
-
阅读(1529) | 评论(0) | 转发(0) |