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 plain copy
  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\t%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


#!/usr/bin/env python


from operator import itemgetter
import sys


current_word = None
current_count = 0
word = None


# input comes from STDIN
for line in sys.stdin:
    # remove leading and trailing whitespace
    line = line.strip()


    # parse the input we got from mapper.py
    word, count = line.split('\t', 1)


    # convert count (currently a string) to int
    try:
        count = int(count)
    except ValueError:
        # count was not a number, so silently
        # ignore/discard this line
        continue


    # this IF-switch only works because Hadoop sorts map output
    # by key (here: word) before it is passed to the reducer
    if current_word == word:
        current_count += count
    else:
        if current_word:
            # write result to STDOUT
            print '%s\t%s' % (current_word, current_count)
        current_count = count
        current_word = word


# do not forget to output the last word if needed!
if current_word == word:
    print '%s\t%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:

hadoop@derekUbun:/usr/local/hadoop$ echo "foo foo quux labs foo bar quux" | ./mapper.py
foo 1
foo 1
quux 1
labs 1
foo 1
bar 1
quux 1
hadoop@derekUbun:/usr/local/hadoop$ echo "foo foo quux labs foo bar quux" |./mapper.py | sort |./reducer.py
bar 1
foo 3
labs 1
quux 2


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


hadoop@derekUbun:/usr/local/hadoop$ cat book/book.txt |./mapper.pysubscribe 1
to 1
our 1
email 1
newsletter 1
to 1
hear 1
about 1
new 1
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


hadoop@derekUbun:/usr/local/hadoop$ ls -l book
总用量 636
-rw-rw-r-- 1 derek derek 649669  3月 12 12:22 book.txt


hadoop@derekUbun:/usr/local/hadoop$ ls -l book
总用量 636
-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 plain copy
  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 plain copy
  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 plain copy
  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 plain copy
  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 plain copy
  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 plain copy
  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 plain copy
  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 plain copy
  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='\t'):  
  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 plain copy
  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='\t'):  
  9.     for line in file:  
  10.         yield line.rstrip().split(separator, 1)  
  11.   
  12. def main(separator='\t'):  
  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()  

你可能感兴趣的:(使用Python实现Hadoop MapReduce程序)