安装与使用MrJob

1, 安装mrjob

pip install mrjob

pip的安装看上一篇文章。

2，代码测试

mrjob安装完之后，就可以直接用了。如果hadoop已经配置好，不需要额外的配置东西（HADOOP_HOME这个环境变量要配置好），基于mrjob的程序就可以直接在hadoop平台上运行了。

mrjob提供了几种代码运行的方式，1)本地测试，就是直接在本地运行代码 2)在本地模拟hadoop的运行 3)在hadoop集群上运行 等等。下面先看一下本地运行的情况。

来自官网的一段代码：

from mrjob.job import MRJob


class MRWordCounter(MRJob):

    def mapper(self, key, line):
        for word in line.split():
            yield word, 1

    def reducer(self, word, occurrences):
        yield word, sum(occurrences)


if __name__ == '__main__':
    MRWordCounter.run()

本地运行：python MRWrodCounter.py -r inline <input> output

这会把结果输出到Output里面。

发现还有一种用法:python MRWrodCounter.py -r inline input1 这样可以直接打印到屏幕，此时可以设置多个输入如：python MRWordCounter.py -r inline input1 input2 input3。

应用python MRWordCounter.py -r inline input1 input2 input3 > out 命令可以将处理多个文件的结果输出到out里面。

本地模拟hadoop运行：python MRWordCounter -r local <input> output

这个会把结果输出到output里面，这个output必须写。

hadoop集群上运行：python MRWordCounter -r hadoop <input> output

3，mrjob的用法

mrjob的用法在它的官方文档里面写的很全面，这里写到的知识其中最基本的部分。

首先，分析上面的代码。

一个map-reduce任务最简单的写法就是覆盖MRJob的mapper,combiner,reducer函数。默认的配置下，输入到mapper的key是个None. mapper产生(word,1),这个具体是通过JSON在各个任务中传输。所以，你的python要支持JSON。再看,combiner和reducer,这个两个的key没问题，需要注意的是value部分，根据官方文档上描述，这个value是个iterator of the numbers，所以sum这个函数用在这里是很合理的。最终reduce的输出还是key,value对，中间用tab键分隔。

mrjob还提供了定义多个步骤的功能，覆盖steps()函数即可完成，下面代码展示了这一过程：

from mrjob.job import MRJob
class MRDoubleWordFreqCount(MRJob):
    """Word frequency count job with an extra step to double all the
    values"""

    def get_words(self, _, line):
        for word in line.split():
            yield word.lower(), 1

    def sum_words(self, word, counts):
        yield word, sum(counts)

    def double_counts(self, word, counts):
        yield word, counts * 2

    def steps(self):
        return [self.mr(mapper=self.get_words,
                        combiner=self.sum_words,
                        reducer=self.sum_words),
                self.mr(mapper=self.double_counts)]


if __name__=='__main__':
        MRDoubleWordFreqCount.run()

这个mrjob用起来很方便的，可以很容易的测试代码，也可以很快捷的进行开发。