MapReduce 原理与 Python 实践

备份自：http://blog.rainy.im/2016/03/13/python-on-hadoop-mapreduce/

继上一篇Hadoop 入门实践之后，接下来应该是 MapReduce 的原理与实践操作。

MapReduce 原理

Hadoop 的 MapReduce 是基于 Google - MapReduce: Simplified Data Processing on Large Clusters 的一种实现。对 MapReduce 的基本介绍如下：

MapReduce is a programming model and an associated implementation for processing and generating large data sets. Users specify a map function that processes a key/value pair to generate a set of intermediate key/value pairs, and a reduce function that merges all intermediate values associated with the same intermediate key.

MapReduce 是一种编程模型，用于处理大规模的数据。用户主要通过指定一个 map 函数和一个 reduce 函数来完成数据的处理。看到 map/reduce 很容易就联想到函数式编程，而实际上论文中也提到确实受到 Lisp 和其它函数式编程语言的启发。以 Python 为例，map/reduce 的用法如下：

from functools import reduce
from operator import add
ls = map(lambda x: len(x), ["ana", "bob", "catty", "dogge"])
# print(list(ls))
# => [3, 3, 5, 5]
reduce(add, ls)
# => 16

MapReduce 的优势在于对大规模数据进行切分（split），并在分布式集群上分别运行 map/reduce 并行加工，而用户只需要针对数据处理逻辑编写简单的 map/reduce 函数，MapReduce 则负责保证分布式运行和容错机制。Hadoop 的 MapReduce 虽然由 Java 实现，但同时提供 Streaming API 可以通过标准化输入/输出允许我们使用任何编程语言来实现 map/reduce。

MapReduce 在处理数据时，首先生成一个 job 将输入文件切分成独立的块（chunk），切块的大小是根据配置设定的。然后每个独立的文件块交给 map task 并行加工，得到一组 <k1, v1> 列表，MapReduce 再将 map 输出的结果按 k1 进行重新组合，再将结果传递给 reduce task，最后 reduce 计算得出结果。

以官方提供的 WordCount 为例，输入为两个文件：

hadoop fs -cat file0
# Hello World Bye World

hadoop fs -cat file1
# Hello Hadoop Goodbye Hadoop

利用 MapReduce 来计算所有文件中单词出现数量的统计。MapReduce 的运行过程如下图所示：

MapReduce

Python map/reduce

Hadoop 的 Streaming API 通过 STDIN/STDOUT 传递数据，因此 Python 版本的 map 可以写作：

#!/usr/bin/env python3
import sys

def read_inputs(file):
  for line in file:
    line = line.strip()
    yield line.split()
def main():
  file = sys.stdin
  lines = read_inputs(file)
  for words in lines:
    for word in words:
      print("{}\t{}".format(word, 1))
if __name__ == "__main__":
  main()

运行一下：

chmod +x map.py
echo "Hello World Bye World" | ./map.py

# Hello   1
# World   1
# Bye     1
# World   1

reduce 函数以此读取经过排序之后的 map 函数的输出，并统计单词的次数：

#!/usr/bin/env python3
import sys

def read_map_outputs(file):
  for line in file:
    yield line.strip().split("\t", 1)
def main():
  current_word = None
  word_count   = 0
  lines = read_map_outputs(sys.stdin)
  for word, count in lines:
    try:
      count = int(count)
    except ValueError:
      continue
    if current_word == word:
      word_count += count
    else:
      if current_word:
        print("{}\t{}".format(current_word, word_count))
      current_word = word
      word_count = count
  if current_word:
    print("{}\t{}".format(current_word, word_count))
if __name__ == "__main__":
  main()

reduce 的输入是排序后的 map 输出：

chmod +x reduce.py
echo "Hello World Bye World" | ./map.py | sort | ./reduce.py

# Bye     1
# Hello   1
# World   2

这其实与 MapReduce 的执行流程是一致的，下面我们通过 MapReduce 来执行（已启动 Hadoop），需要用到 hadoop-streaming-2.6.4.jar，不同的 Hadoop 版本位置可能不同：

cd $HADOOP_INSTALL && find ./ -name "hadoop-streaming*.jar"
# ./share/hadoop/tools/lib/hadoop-streaming-2.6.4.jar
 
mkdir wordcount -p wordcount/input
cd wordcount
echo "Hello World Bye World" >> input/file0
echo "Hello Hadoop Goodbye Hadoop" >> input/file1

hadoop jar $HADOOP_INSTALL/share/hadoop/tools/lib/hadoop-streaming-2.6.4.jar \
-input $(pwd)/input \
-output output \
-mapper $(pwd)/map.py \
-reducer $(pwd)/reduce.py

执行完成之后会在 output 目录产生结果：

hadoop fs -ls output
# Found 2 items
# -rw-r--r--   1 rainy rainy          0 2016-03-13 02:15 output/_SUCCESS
# -rw-r--r--   1 rainy rainy         41 2016-03-13 02:15 output/part-00000
hadoop fs -cat output/part-00000
# Bye     1
# Goodbye 1
# Hadoop  2
# Hello   2
# World   2

总结

Hadoop 的架构让 MapReduce 的实际执行过程简化了许多，但这里省略了很多细节的内容，尤其是针对完全分布式模式，并且要在输入文件足够大的情况下才能体现出优势。这里处理纯文本文档作为示例，但我想要做的是通过连接 MongoDB 直接读取数据到 HDFS 然后进行 MapReduce 处理，但考虑到数据量仍然不是很大（700,000条记录）的情况，不知道是否会比直接 Python + MongoDB 更快。

下一步目标：

1. MongoDB and Hadoop。

欢迎关注公众号 PyHub！

参考

1. MapReduce
2. MapReduce Tutorial
3. Writing an Hadoop MapReduce Program in Python