Hadoop实践之Python（一）

关于hadoop，建议大家在自己的linux上面跟着网上的教程搭建一次单节点和多节点的hadoop平台，亦可参考Hadoop安装教程_单机/伪分布式配置。关于mapreduce，我是新手，只能从“分而治之”的角度来考虑，首先“map”也就是”分”——数据分割，然后“reduce”对"map"处理后的结果进一步的运算，这里给出的例子是一般的hadoop入门程序“WordCount”，就是首先写一个map程序用来将输入的字符串分割成单个的单词，然后reduce这些单个的单词，相同的单词就对其进行计数，不同的单词分别输出，结果输出每一个单词出现的频数。

注意：关于数据的输入输出是通过sys.stdin（系统标准输入）和sys.stdout（系统标准输出）来控制数据的读入与输出。所有的脚本执行之前都需要修改权限，否则没有执行权限，例如下面的脚本创建之前使用“chmod +x mapper.py”

mapper.py

#!/usr/bin/env python
# ($HADOOP_HOME/mapper.py)
import sys

for line in sys.stdin:  # 遍历读入数据的每一行
    
    line = line.strip()  # 将行尾行首的空格去除
    words = line.split()  #按空格将句子分割成单个单词
    for word in words:
        print '%s\t%s' %(word, 1)

reducer.py

#!/usr/bin/env python
# ($HADOOP_HOME/reducer.py)
from operator import itemgetter
import sys

current_word = None  # 为当前单词
current_count = 0  # 当前单词频数
word = None

for line in sys.stdin:
    words = line.strip()  # 去除字符串首尾的空白字符
    word, count = words.split('\t')  # 按照制表符分隔单词和数量
    
    try:
        count = int(count)  # 将字符串类型的‘1’转换为整型1
    except ValueError:
        continue

    if current_word == word:  # 如果当前的单词等于读入的单词
        current_count += count  # 单词频数加1
    else:
        if current_word:  # 如果当前的单词不为空则打印其单词和频数
            print '%s\t%s' %(current_word, current_count)  
        current_count = count  # 否则将读入的单词赋值给当前单词，且更新频数
        current_word = word

if current_word == word:
    print '%s\t%s' %(current_word, current_count)

查看输出结果

  cd $HADOOP_HOME
  echo "foo foo quux labs foo bar zoo zoo hying" | ./mapper.py | sort -k 1,1 | ./reducer.py
  # echo是将后面“foo ****”字符串输出，并利用管道符“|”将输出数据作为mapper.py这个脚本的输入数据，并将mapper.py的数据输入到reducer.py中，其中参数sort -k 1,1是将reducer的输出内容按照第一列的第一个字母的ASCII码值进行升序排序

下面看一些脚本的输出结果：

让Python代码在hadoop上跑起来！

一、准备输入数据

• 接下来，先下载三本书：

   mkdir -p tmp/gutenberg
   cd tmp/gutenberg
   wget http://www.gutenberg.org/ebooks/20417.txt.utf-8
   wget http://www.gutenberg.org/files/5000/5000-8.txt
   wget http://www.gutenberg.org/ebooks/4300.txt.utf-8
  

• 然后把这三本书上传到hdfs文件系统上：

  hdfs dfs -mkdir ./input # 在hdfs上的该用户目录下创建一个输入文件的文件夹
  hdfs dfs -put ./tmp/gutenberg/*.txt ./input # 上传文档到hdfs上的输入文件夹中
  

• 寻找你的streaming的jar文件存放地址，注意2.6的版本放到share目录下了，可以进入hadoop安装目录寻找该文件：

  cd $HADOOP_HOME
  find ./ -name "*streaming*"
  

• 由于这个文件的路径比较长，因此我们可以将它写入到环境变量：

  vi ~/.bashrc  # 打开环境变量配置文件
  # 在里面写入streaming路径
  export STREAM=$HADOOP_HOME/share/hadoop/tools/lib/hadoop-streaming-*.jar
  source ~/.bashrc 
  

• 通过streaming接口运行脚本

  hadoop jar $STREAM  -files ./mapper.py,./reducer.py -mapper ./mapper.py -reducer ./reducer.py -input ./input/gutenberg*.txt -output ./output
  

  • 就会complete啦，你就可以通过如下方式查看计数结果

    
    

再次，感谢以下文档的支持：
让python在hadoop上跑起来
streaming介绍