zoukankan      html  css  js  c++  java
  • 使用Python实现Hadoop MapReduce程序


    转自:使用Python实现Hadoop MapReduce程序

    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)。

    [python] view plaincopy
    1. #!/usr/bin/env python  
    2.   
    3. import sys  
    4.   
    5. # input comes from STDIN (standard input)  
    6. for line in sys.stdin:  
    7.     # remove leading and trailing whitespace  
    8.     line = line.strip()  
    9.     # split the line into words  
    10.     words = line.split()  
    11.     # increase counters  
    12.     for word in words:  
    13.         # write the results to STDOUT (standard output);  
    14.         # what we output here will be the input for the  
    15.         # Reduce step, i.e. the input for reducer.py  
    16.         #  
    17.         # tab-delimited; the trivial word count is 1  
    18.         print '%s %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

    [python] view plaincopy
    1. #!/usr/bin/env python  
    2.   
    3. from operator import itemgetter  
    4. import sys  
    5.   
    6. current_word = None  
    7. current_count = 0  
    8. word = None  
    9.   
    10. # input comes from STDIN  
    11. for line in sys.stdin:  
    12.     # remove leading and trailing whitespace  
    13.     line = line.strip()  
    14.   
    15.     # parse the input we got from mapper.py  
    16.     word, count = line.split(' '1)  
    17.   
    18.     # convert count (currently a string) to int  
    19.     try:  
    20.         count = int(count)  
    21.     except ValueError:  
    22.         # count was not a number, so silently  
    23.         # ignore/discard this line  
    24.         continue  
    25.   
    26.     # this IF-switch only works because Hadoop sorts map output  
    27.     # by key (here: word) before it is passed to the reducer  
    28.     if current_word == word:  
    29.         current_count += count  
    30.     else:  
    31.         if current_word:  
    32.             # write result to STDOUT  
    33.             print '%s %s' % (current_word, current_count)  
    34.         current_count = count  
    35.         current_word = word  
    36.   
    37. # do not forget to output the last word if needed!  
    38. if current_word == word:  
    39.     print '%s %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:

    [plain] view plaincopy
    1. hadoop@derekUbun:/usr/local/hadoop$ echo "foo foo quux labs foo bar quux" | ./mapper.py  
    2. foo      1  
    3. foo      1  
    4. quux     1  
    5. labs     1  
    6. foo      1  
    7. bar      1  
    8. quux     1  
    9. hadoop@derekUbun:/usr/local/hadoop$ echo "foo foo quux labs foo bar quux" |./mapper.py | sort |./reducer.py  
    10. bar     1  
    11. foo     3  
    12. labs    1  
    13. quux    2  

    # using one of the ebooks as example input
    # (see below on where to get the ebooks)

    [plain] view plaincopy
    1. hadoop@derekUbun:/usr/local/hadoop$ cat book/book.txt |./mapper.pysubscribe      1  
    2. to   1  
    3. our      1  
    4. email    1  
    5. newsletter   1  
    6. to   1  
    7. hear     1  
    8. about    1  
    9. new      1  
    10. 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
     
    [plain] view plaincopy
    1. hadoop@derekUbun:/usr/local/hadoop$ ls -l book  
    2. 总用量 636  
    3. -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:


    [plain] view plaincopy
    1. hadoop@derekUbun:/usr/local/hadoop$ hadoop dfs -copyFromLocal /usr/local/hadoop/book book  
    2. hadoop@derekUbun:/usr/local/hadoop$ hadoop dfs -ls  
    3. Found 3 items  
    4. 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。

    [plain] view plaincopy
    1. hadoop@derekUbun:/usr/local/hadoop$hadoop jar contrib/streaming/hadoop-streaming-1.1.2.jar   
    2. -mapper /usr/local/hadoop/mapper.py   
    3. -reducer /usr/local/hadoop/reducer.py   
    4. -input book/*   
    5. -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:

    [plain] view plaincopy
    1. hadoop@derekUbun:/usr/local/hadoop$hadoop jar contrib/streaming/hadoop-streaming-1.1.2.jar   
    2. -jobconf mapred.reduce.tasks=4  
    3.   
    4. -mapper /usr/local/hadoop/mapper.py   
    5. -reducer /usr/local/hadoop/reducer.py   
    6. -input book/*   
    7. -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

    [plain] view plaincopy
    1. bin/hadoop jar contrib/streaming/hadoop-streaming-1.1.2.jar    
    2. -mapper task1/mapper.py    
    3. -file task1/mapper.py    
    4. -reducer task1/reducer.py    
    5. -file task1/reducer.py    
    6. -input url   
    7. -output url-output    
    8. -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:

    [plain] view plaincopy
    1. 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  
    2. 13/03/12 16:01:05 WARN streaming.StreamJob: -jobconf option is deprecated, please use -D instead.  
    3. packageJobJar: [/usr/local/hadoop/tmp/hadoop-unjar4835873410426602498/] [] /tmp/streamjob5047485520312501206.jar tmpDir=null  
    4. 13/03/12 16:01:06 INFO util.NativeCodeLoader: Loaded the native-hadoop library  
    5. 13/03/12 16:01:06 WARN snappy.LoadSnappy: Snappy native library not loaded  
    6. 13/03/12 16:01:06 INFO mapred.FileInputFormat: Total input paths to process : 1  
    7. 13/03/12 16:01:06 INFO streaming.StreamJob: getLocalDirs(): [/usr/local/hadoop/tmp/mapred/local]  
    8. 13/03/12 16:01:06 INFO streaming.StreamJob: Running job: job_201303121448_0010  
    9. 13/03/12 16:01:06 INFO streaming.StreamJob: To kill this job, run:  
    10. 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  
    11. 13/03/12 16:01:06 INFO streaming.StreamJob: Tracking URL: http://localhost:50030/jobdetails.jsp?jobid=job_201303121448_0010  
    12. 13/03/12 16:01:07 INFO streaming.StreamJob:  map 0%  reduce 0%  
    13. 13/03/12 16:01:10 INFO streaming.StreamJob:  map 100%  reduce 0%  
    14. 13/03/12 16:01:17 INFO streaming.StreamJob:  map 100%  reduce 8%  
    15. 13/03/12 16:01:18 INFO streaming.StreamJob:  map 100%  reduce 33%  
    16. 13/03/12 16:01:19 INFO streaming.StreamJob:  map 100%  reduce 50%  
    17. 13/03/12 16:01:26 INFO streaming.StreamJob:  map 100%  reduce 67%  
    18. 13/03/12 16:01:27 INFO streaming.StreamJob:  map 100%  reduce 83%  
    19. 13/03/12 16:01:28 INFO streaming.StreamJob:  map 100%  reduce 100%  
    20. 13/03/12 16:01:29 INFO streaming.StreamJob: Job complete: job_201303121448_0010  
    21. 13/03/12 16:01:29 INFO streaming.StreamJob: Output: book-output  
    22. 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 http://localhost:50030/ :


    检查结果是否输出并存储在HDFS目录下的book-output中:

    [plain] view plaincopy
    1. hadoop@derekUbun:/usr/local/hadoop$ hadoop dfs -ls book-output  
    2. Found 6 items  
    3. -rw-r--r--   2 hadoop supergroup          0 2013-03-12 16:01 /user/hadoop/book-output/_SUCCESS  
    4. drwxr-xr-x   - hadoop supergroup          0 2013-03-12 16:01 /user/hadoop/book-output/_logs  
    5. -rw-r--r--   2 hadoop supergroup         33 2013-03-12 16:01 /user/hadoop/book-output/part-00000  
    6. -rw-r--r--   2 hadoop supergroup         60 2013-03-12 16:01 /user/hadoop/book-output/part-00001  
    7. -rw-r--r--   2 hadoop supergroup         54 2013-03-12 16:01 /user/hadoop/book-output/part-00002  
    8. -rw-r--r--   2 hadoop supergroup         47 2013-03-12 16:01 /user/hadoop/book-output/part-00003  
    9. hadoop@derekUbun:/usr/local/hadoop$  

    可以使用dfs -cat 命令检查文件目录


    [plain] view plaincopy
    1. hadoop@derekUbun:/usr/local/hadoop$ hadoop dfs -cat book-output/part-00000  
    2. about   1  
    3. eBooks.     1  
    4. the     1  
    5. to  2  
    6. 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

    [python] view plaincopy
    1. #!/usr/bin/env python  
    2. """A more advanced Mapper, using Python iterators and generators."""  
    3.   
    4. import sys  
    5.   
    6. def read_input(file):  
    7.     for line in file:  
    8.         # split the line into words  
    9.         yield line.split()  
    10.   
    11. def main(separator=' '):  
    12.     # input comes from STDIN (standard input)  
    13.     data = read_input(sys.stdin)  
    14.     for words in data:  
    15.         # write the results to STDOUT (standard output);  
    16.         # what we output here will be the input for the  
    17.         # Reduce step, i.e. the input for reducer.py  
    18.         #  
    19.         # tab-delimited; the trivial word count is 1  
    20.         for word in words:  
    21.             print '%s%s%d' % (word, separator, 1)  
    22.   
    23. if __name__ == "__main__":  
    24.     main()  

    reducer.py

    [python] view plaincopy
    1. #!/usr/bin/env python  
    2. """A more advanced Reducer, using Python iterators and generators."""  
    3.   
    4. from itertools import groupby  
    5. from operator import itemgetter  
    6. import sys  
    7.   
    8. def read_mapper_output(file, separator=' '):  
    9.     for line in file:  
    10.         yield line.rstrip().split(separator, 1)  
    11.   
    12. def main(separator=' '):  
    13.     # input comes from STDIN (standard input)  
    14.     data = read_mapper_output(sys.stdin, separator=separator)  
    15.     # groupby groups multiple word-count pairs by word,  
    16.     # and creates an iterator that returns consecutive keys and their group:  
    17.     #   current_word - string containing a word (the key)  
    18.     #   group - iterator yielding all ["<current_word>", "<count>"] items  
    19.     for current_word, group in groupby(data, itemgetter(0)):  
    20.         try:  
    21.             total_count = sum(int(count) for current_word, count in group)  
    22.             print "%s%s%d" % (current_word, separator, total_count)  
    23.         except ValueError:  
    24.             # count was not a number, so silently discard this item  
    25.             pass  
    26.   
    27. if __name__ == "__main__":  
    28.     main()  

    转自:http://blog.csdn.net/zhaoyl03/article/details/8657031
  • 相关阅读:
    Tongue Twister之scream
    把5页的内容变成2页
    Python3 字符串中的变量替换
    notepad++同时编辑多行
    获取元素属性值
    selenium定位H5表单验证的提示语
    POJ 3009 Curling 2.0(dfs)
    CCF 2016122 工资计算
    POJ 2976 Dropping tests(01分数规划二分(最大化平均值))
    POJ 2155 Matrix(二维树状数组)
  • 原文地址:https://www.cnblogs.com/catkins/p/5270381.html
Copyright © 2011-2022 走看看