如何使用Python为Hadoop编写一个简单的MapReduce程序

Posted 2023-05-15

　　转载：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）

　　如何使用Hadoop Distributed File System (HDFS)在Ubuntu Linux 建立单节点的 Hadoop 集群

　　如何使用Hadoop Distributed File System (HDFS)在Ubuntu Linux 建立多节点的 Hadoop 集群

　　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/home/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 /home/hadoop/mapper.py）。

　　#!/usr/bin/env python
　　
　　import sys
　　
　　# input comes from STDIN (standard input)
　　for line in sys.stdin:
　　# remove leading and trailing whitespace
　　line = line.strip()
　　# split the line into words
　　words = line.split()
　　# increase counters
　　for word in words:
　　# write the results to STDOUT (standard output);
　　# what we output here will be the input for the
　　# Reduce step, i.e. the input for reducer.py
　　#
　　# tab-delimited; the trivial word count is 1
　　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/home/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 /home/hadoop/reducer.py

　　#!/usr/bin/env python
　　
　　from operator import itemgetter
　　import sys
　　
　　# maps words to their counts
　　word2count =
　　
　　# 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)
　　word2count[word] = word2count.get(word, 0) + count
　　except ValueError:
　　# count was not a number, so silently
　　# ignore/discard this line
　　pass
　　
　　# sort the words lexigraphically;
　　#
　　# this step is NOT required, we just do it so that our
　　# final output will look more like the official Hadoop
　　# word count examples
　　sorted_word2count = sorted(word2count.items(), key=itemgetter(0))
　　
　　# write the results to STDOUT (standard output)
　　for word, count in sorted_word2count:
　　print \'%s\\\\t%s\'% (word, 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：
　　——————————————————————————————————————————————
　　\\r\\n
　　# very basic test
　　hadoop@ubuntu:~$ echo "foo foo quux labs foo bar quux" | /home/hadoop/mapper.py
　　foo 1
　　foo 1
　　quux 1
　　labs 1
　　foo 1
　　bar 1
　　——————————————————————————————————————————————
　　hadoop@ubuntu:~$ echo "foo foo quux labs foo bar quux" | /home/hadoop/mapper.py | sort | /home/hadoop/reducer.py
　　bar 1
　　foo 3
　　labs 1
　　——————————————————————————————————————————————

　　# using one of the ebooks as example input
　　# (see below on where to get the ebooks)
　　hadoop@ubuntu:~$ cat /tmp/gutenberg/20417-8.txt | /home/hadoop/mapper.py
　　The 1
　　Project 1
　　Gutenberg 1
　　EBook 1
　　of 1
　　[...]
　　(you get the idea)

　　quux 2

　　quux 1

　　——————————————————————————————————————————————

　　在Hadoop平台上运行Python脚本

　　为了这个例子，我们将需要三种电子书：

　　The Outline of Science, Vol. 1 (of 4) by J. Arthur Thomson\\r\\n
　　The Notebooks of Leonardo Da Vinci\\r\\n
　　Ulysses by James Joyce
　　下载他们，并使用us-ascii编码存储 解压后的文件，保存在临时目录，比如/tmp/gutenberg.

　　hadoop@ubuntu:~$ ls -l /tmp/gutenberg/
　　total 3592
　　-rw-r--r-- 1 hadoop hadoop 674425 2007-01-22 12:56 20417-8.txt
　　-rw-r--r-- 1 hadoop hadoop 1423808 2006-08-03 16:36 7ldvc10.txt
　　-rw-r--r-- 1 hadoop hadoop 1561677 2004-11-26 09:48 ulyss12.txt
　　hadoop@ubuntu:~$

　　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：

　　hadoop@ubuntu:/usr/local/hadoop$ bin/hadoop dfs -copyFromLocal /tmp/gutenberg gutenberg
　　hadoop@ubuntu:/usr/local/hadoop$ bin/hadoop dfs -ls
　　Found 1 items
　　/user/hadoop/gutenberg <dir>
　　hadoop@ubuntu:/usr/local/hadoop$ bin/hadoop dfs -ls gutenberg
　　Found 3 items
　　/user/hadoop/gutenberg/20417-8.txt <r 1> 674425
　　/user/hadoop/gutenberg/7ldvc10.txt <r 1> 1423808
　　/user/hadoop/gutenberg/ulyss12.txt <r 1> 1561677

　　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。

　　hadoop@ubuntu:/usr/local/hadoop$ bin/hadoop jar contrib/streaming/hadoop-0.19.1-streaming.jar
　　-mapper /home/hadoop/mapper.py -reducer /home/hadoop/reducer.py -input gutenberg/*
　　-output gutenberg-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：

　　hadoop@ubuntu:/usr/local/hadoop$ bin/hadoop jar contrib/streaming/hadoop-0.19.1-streaming.jar
　　-jobconf mapred.reduce.tasks=16 -mapper ...

　　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gutenberg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
　　gutenberg-output目录。
　　之前执行的结果如下：

　　hadoop@ubuntu:/usr/local/hadoop$ bin/hadoop jar contrib/streaming/hadoop-0.19.1-streaming.jar
　　-mapper /home/hadoop/mapper.py -reducer /home/hadoop/reducer.py -input gutenberg/*
　　-output gutenberg-output
　　
　　additionalConfSpec_:null
　　null=@@@userJobConfProps_.get(stream.shipped.hadoopstreaming
　　packageJobJar: [/usr/local/hadoop-datastore/hadoop-hadoop/hadoop-unjar54543/]
　　[] /tmp/streamjob54544.jar tmpDir=null
　　[...] INFO mapred.FileInputFormat: Total input paths to process : 7
　　[...] INFO streaming.StreamJob: getLocalDirs(): [/usr/local/hadoop-datastore/hadoop-hadoop/mapred/local]
　　[...] INFO streaming.StreamJob: Running job: job_200803031615_0021
　　[...]
　　[...] INFO streaming.StreamJob: map 0% reduce 0%
　　[...] INFO streaming.StreamJob: map 43% reduce 0%
　　[...] INFO streaming.StreamJob: map 86% reduce 0%
　　[...] INFO streaming.StreamJob: map 100% reduce 0%
　　[...] INFO streaming.StreamJob: map 100% reduce 33%
　　[...] INFO streaming.StreamJob: map 100% reduce 70%
　　[...] INFO streaming.StreamJob: map 100% reduce 77%
　　[...] INFO streaming.StreamJob: map 100% reduce 100%
　　[...] INFO streaming.StreamJob: Job complete: job_200803031615_0021

　　[...] INFO streaming.StreamJob: Output: gutenberg-output hadoop@ubuntu:/usr/local/hadoop$

　　正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。 参考技术A 看视频真的会成为高手吗？视频教学真的好吗，不会让人感到烦躁、困倦？大讲台（百度搜索即可）采用任务驱动的学习模式，提倡自适应的学习，学习者根据个人自身情况，制定学习步骤和学习任务；教学过程以文字为主要内容载体，期间穿插视频，回归教育以学员为主体的核心，重在学习效果，学习体验，欢迎有兴趣的童鞋免费体验学习，体验不一样的学习方式！

对了现在正是活动期间，全部课程最低仅需700元哦！！！ 参考技术B http://zhidao.baidu.com/link?url=taOPlA4wzpTTvHkK7QyUx7qm8Vs1qMy-aw2gaSpLOtpUNQAR5QzvTgnMCd07zqMQdK1d8RTPBb_7MrhCWXe4XFcEQilOHlg8dlazk4M20EC

我如何使用Python API Pydoop得到Hadoop集群中的实际数据（地图后减少）？

我使用一个Python API（pydoop）映射减少HDFS文件，但我想知道我可以使用pydoop或使用python任何其他技术获取原始数据。

答案

MapReduce应用（或者与Pydoop或通过标准的Hadoop的Java API运行）写自己在用户指定的目录输出，为每个创建一个文件（在地图只有作业的特殊情况或一个每个地图的任务）减少任务：part-r-00000 ，part-r-00001，等你可以看看这些文件和读取它们与Pydoop的HDFS API内容：

import pydoop.hdfs as hdfs

MR_OUT_DIR = "hdfs://localhost:9000/user/foo/mr_output"

data = []
for path in hdfs.ls(MR_OUT_DIR):
    if hdfs.path.basename(path).startswith("part-"):
        with hdfs.open(path) as f:
            data.append(f.read())