python 实现Hadoop的partitioner和二次排序

我们知道，一个典型的Map-Reduce过程包 括：Input->Map->Partition->Reduce->Output。

Partition负责把Map任务输出的中间结果 按key分发给不同的Reduce任务进行处理。

Hadoop 提供了一个很有用的partitioner类KeyFieldBasedPartitioner，通过配置对应的參数就能够使用。通过 KeyFieldBasedPartitioner能够方便地实现二次排序。 
用法： 
      -partitioner org.apache.hadoop.mapred.lib.KeyFieldBasedPartitioner 
一般配合： 
      -D map.output.key.field.separator

      -D num.key.fields.for.partition使用。 
map.output.key.field.separator指定key内部的分隔符 
num.key.fields.for.partition指定对key分出来的前几部分做partition而不是整个key

演示样例： 
1. 编写map程序mapper.sh；reduce程序reducer.sh; 測试数据test.txt

view plain

mapper.sh:  

#!/bin/sh  cat    

reducer.sh:  

#!/bin/sh  sort    

test.txt内容：  

1,2,1,1,1  

1,2,2,1,1  

1,3,1,1,1  

1,3,2,1,1  

1,3,3,1,1  

1,2,3,1,1  

1,3,1,1,1  

1,3,2,1,1  

1,3,3,1,1  

2. 測试数据test.txt放入hdfs，执行map-reduce程序

view plain

$ hadoop streaming /    

-D stream.map.output.field.separator=, /    

-D stream.num.map.output.key.fields=4 /    

-D map.output.key.field.separator=, /    

-D num.key.fields.for.partition=2 /    

-partitioner org.apache.hadoop.mapred.lib.KeyFieldBasedPartitioner /    

-input /app/test/test.txt  /  

-output /app/test/test_result / 
-mapper ./mapper.sh  /    

-reducer ./reducer.sh /    

-file mapper.sh /    

-file reducer.sh /    

-jobconf mapre.job.name="sep_test"    

$ hadoop fs –cat /app/test/test_result/part-00003      

1,2,1,1     1      

1,2,2,1     1      

1,2,3,1     1    

$ hadoop fs –cat /app/test/test_result/part-00004      

1,3,1,1     1      

1,3,1,1     1      

1,3,2,1     1      

1,3,2,1     1      

1,3,3,1     1      

1,3,3,1     1  

通过这样的方式，就做到前4个字段是key，可是通过前两个字段进行partition的目的

注意：

-D map.output.key.field.separator=, /  

这个分隔符使用TAB键貌似无论用

Hadoop Streaming 是一个工具， 取代编写Java的实现类，而利用可运行程序来完毕map-reduce过程

工作流程　：　

InputFile --> mappers --> [Partitioner] --> reducers --> outputFiles

理解 :　
1 输入文件，能够是指定远程文件系统内的目录下的 *
2 通过集群自己分解到各个PC上，每一个mapper是一个可运行文件，对应的启动一个进程，来实现你的逻辑
3 mapper　的输入为标准输入，所以，不论什么可以支持标准输入的可运行的东西，c,c++(编译出来的可运行文件),python,......都可以作 为mapper 和 reducer　mapper的输出为标准输出，假设有Partitioner,就给它，假设没有，它的输出将作为reducer的输入
4 Partitioner 为可选的项，二次排序，能够对结果进行分类打到结果文件中面,它的输入是mapper的标准输出，它的输出，将作为reducer的标准输入
5 reducer 同 mapper
6 输出目录，在远端文件不能重名

Hadoop Streaming

1 ： hadoop-streaming.jar 的位置 ： $HADOOP_HOME/contrib/streaming 内

官方上面关于hadoop-streaming 的介绍已经非常具体了，并且也有了关于python的样例，我就不说了,这里总结下自己的经验

1 指定 mapper or reducer 的 task 官方上说要用 -jobconf　可是这个參数已经过时，不能够用了，官方说要用 -D, 注意这个-D是要作为最開始的配置出现的，由于是在maper 和 reducer　运行之前，就须要硬性指定好的，所以要出如今參数的最前面 ./bin/hadoop jar hadoop-0.19.2-streaming.jar -D .........-input ........　类似这样，这样，即使你程序最后仅仅指定了一个输出管道，可是还是会有你指定的task数量的结果文件，仅仅只是多余的就是空的　实验下面 就知道了

2 关于二次排序，因为是用的streaming 所以，在可运行文件内，仅仅可以处理逻辑，还有就是输出，当然我们也可以指定二次排序，可是因为是所有參数化，不是非常灵活。比方:
10.2.3.40    1
11.22.33.33    1
www.renren.com 1
www.baidu.com    1
10.2.3.40    1

这样一个非常规整的输入文件，需求是要把记录独立的ip和url的count　可是输出文件要分切割出来。

官方站点的样例，是指定 key　然后对key 指定 主-key　和 key　用来排序，而 主-key 用来二次排序，这样会输出你想要的东西，　可是对于上面最简单的需求，对于传递參数，我们怎样做呢?

事实上我们还是能够利用这一点，在我们mapper　里面，还是依照/t来切割key value　可是我们要给key指定一个主-key　用来给Partitioner 来实现二次排序，所以我们能够略微处理下这个KEY,我们能够简单的推断出来ip　和 url　的差别，这样，我们就人为的加上一个主-key　我们在mapper里面，给每一个key人为的加上一个"标签"，用来给partitioner做 二次排序用，比方我们的mapper的输出是这样

D&10.2.3.40    1
D&11.22.33.33    1
W&www.renren.com 1
W&www.baidu.com    1
D&10.2.3.40    1 

然后通过传递命令參数

-partitioner org.apache.hadoop.mapred.lib.KeyFieldBasedPartitioner //指定要求二次排序
-jobconf map.output.key.field.separator='&'　//这里假设不加两个单引號的话我的命令会死掉
-jobconf num.key.fields.for.partition=1　//这里指第一个 &　符号来切割，保证不会出错

这样我们就能够通过 partitioner　来实现二次排序了

在reducer里面，我们再把"标签"摘掉(不费吹灰之力)就能够做到悄无声息的完毕二次排序了。

3:　关于模块化

(强调　：　没有在集群上測试，仅仅在单机上做測试)

程序猿最悲剧的就是不能代码复用，做这个也一样，用hadoop-streaming　也一样，要做到代码重用，是我第一个考虑的问题
当我看到 -file(具体能够看官方站点上的解说)　的时候，我就想到利用这个东西，果然，我的在本机上建立了一个py模块，简单的一个函数
然后在我的mapper里面import 它，本地測试通过后，利用-file　把模块所在的问价夹用 -file moudle/*　这个參数，传入streaming
运行的结果毫无错误，这样，我们就能够抽象出来一些模块的东西，来实现我们模块化的需求

注 : 不要忘记 chmod +x *.py 　将py　变成可运行的，不然不能够运行

代码 :　

1: 模块代码 mg.py 用来给 mapper　贴标签

def mgFunction(line):
        if(line[0] >= '0' and line[0] <= '9'):
                return "D&" + line
        return "W&" + line

2: mapper.py 

#!/usr/bin/env python
import sys
sys.path.append('/home/liuguoqing/Desktop/hadoop-0.19.2/moudle')
import mg
for line in sys.stdin:
        line = mg.mgFunction(line)
        line = line.strip()
#       print line
        words = line.split()
        print '%s %s' % (words[0], words[1])

3: reducer.py

#!/usr/bin/env python
import sys
user_login_day = {}

for line in sys.stdin:
        line = line[2:]//去掉帽子
        line = line.strip()
        userid, day = line.split(' ', 1)
        user_login_day[userid] = user_login_day.get(userid, 0) + 1

for uid in user_login_day.keys(): 
        print '%s %d' % (uid, user_login_day[uid])

这样就实现了模块化的能够二次排序的hadoop-streaming

命令　

./bin/hadoop jar hadoop-0.19.2-streaming.jar
#streaming jar
-D mapred.reduce.tasks=2  
#指定2个reduce来处理
-input user_login_day-input2/*  
#指定输入文件　能够用 dir/*　方式
-output user_login_day-output102 
#指定输出目录
-mapper ~/Desktop/hadoop-0.19.2/python/mapper/get_user_login_day_back.py  
#指定mapper　可运行文件 我用全路径，好像用相对路径会出错...
-reducer ~/Desktop/hadoop-0.19.2/python/reducer/get_user_login_day_back.py
#指定reducer 可运行文件　
-file ~/Desktop/hadoop-0.19.2/moudle/*
#指定模块化的库文件 dir/*　模式
-partitioner org.apache.hadoop.mapred.lib.KeyFieldBasedPartitioner 此处报错-partitioner: command not found
#指定 partitioner　參数为class
-jobconf map.output.key.field.separator='&'
#指定　主-key　的切割符号为 '&'
-jobconf num.key.fields.for.partition=1 
#指定为第一个‘&’

liuguoqing@liuguoqing-desktop:~/Desktop/hadoop-0.19.2$ ./bin/hadoop jar hadoop-0.19.2-streaming.jar -D mapred.reduce.tasks=2 -input user_login_day-input2/* -output user_login_day-output102 -mapper ~/Desktop/hadoop-0.19.2/python/mapper/get_user_login_day_back.py -reducer ~/Desktop/hadoop-0.19.2/python/reducer/get_user_login_day_back.py -file ~/Desktop/hadoop-0.19.2/moudle/* -partitioner org.apache.hadoop.mapred.lib.KeyFieldBasedPartitioner -jobconf map.output.key.field.separator='&' -jobconf num.key.fields.for.partition=1
10/01/24 03:19:15 WARN streaming.StreamJob: -jobconf option is deprecated, please use -D instead.
packageJobJar: [/home/liuguoqing/Desktop/hadoop-0.19.2/moudle/mg.py, /home/liuguoqing/Desktop/hadoop-0.19.2/moudle/mg.pyc, /tmp/hadoop-liuguoqing/hadoop-unjar6780057097425964518/] [] /tmp/streamjob3100401358387519950.jar tmpDir=null
10/01/24 03:19:15 INFO mapred.FileInputFormat: Total input paths to process : 2
10/01/24 03:19:15 INFO streaming.StreamJob: getLocalDirs(): [/tmp/hadoop-liuguoqing/mapred/local]
10/01/24 03:19:15 INFO streaming.StreamJob: Running job: job_201001221008_0065
10/01/24 03:19:15 INFO streaming.StreamJob: To kill this job, run:
10/01/24 03:19:15 INFO streaming.StreamJob: /home/liuguoqing/Desktop/hadoop-0.19.2/bin/../bin/hadoop job  -Dmapred.job.tracker=hdfs://localhost:9881 -kill job_201001221008_0065
10/01/24 03:19:15 INFO streaming.StreamJob: Tracking URL: http://localhost:50030/jobdetails.jsp?jobid=job_201001221008_0065
10/01/24 03:19:16 INFO streaming.StreamJob:  map 0%  reduce 0%
10/01/24 03:19:17 INFO streaming.StreamJob:  map 33%  reduce 0%
10/01/24 03:19:18 INFO streaming.StreamJob:  map 67%  reduce 0%
10/01/24 03:19:19 INFO streaming.StreamJob:  map 100%  reduce 0%
10/01/24 03:19:27 INFO streaming.StreamJob:  map 100%  reduce 50%
10/01/24 03:19:32 INFO streaming.StreamJob:  map 100%  reduce 100%
10/01/24 03:19:32 INFO streaming.StreamJob: Job complete: job_201001221008_0065
10/01/24 03:19:32 INFO streaming.StreamJob: Output: user_login_day-output102
liuguoqing@liuguoqing-desktop:~/Desktop/hadoop-0.19.2$ ./bin/hadoop dfs -ls user_login_day-output102
Found 3 items
drwxr-xr-x   - liuguoqing supergroup          0 2010-01-24 03:19 /user/liuguoqing/user_login_day-output102/_logs
-rw-r--r--   1 liuguoqing supergroup         25 2010-01-24 03:19 /user/liuguoqing/user_login_day-output102/part-00000
-rw-r--r--   1 liuguoqing supergroup         47 2010-01-24 03:19 /user/liuguoqing/user_login_day-output102/part-00001

liuguoqing@liuguoqing-desktop:~/Desktop/hadoop-0.19.2$ ./bin/hadoop dfs -cat user_login_day-output102/part-00000
54321    2
99999    1
12345    12
liuguoqing@liuguoqing-desktop:~/Desktop/hadoop-0.19.2$ ./bin/hadoop dfs -cat user_login_day-output102/part-00001
http://www.renren.com    3
http://www.baidu.com    3

以上为操作结果显示