Hadoop上跑MapReduce的Python示例

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)。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
#!/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,它将快速的输出 “1” ,尽管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

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
#!/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.pyreducer.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@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 on[object Object]e 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


为了这个例子,我们将需要三种电子书:
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:~$
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

hadoop@ubuntu:/usr/local/hadoop$ bin/hadoop dfs -ls gutenberg

Found 3 items
/user/hadoop/gutenberg/20417-8.txt674425
/user/hadoop/gutenberg/7ldvc10.txt1423808
/user/hadoop/gutenberg/ulyss12.txt1561677

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。

1
2
3
4
5
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“-hadoop@ubuntu:/usr/local/hadoop$ bin/hadoop jar contrib/streaming/hadoop-0.19.1-streaming.jar
-mapper …

一个重要的备忘是关于这个任务将会读取HDFS目录下的HDFS目录下的目录。
之前执行的结果如下:

1
2
3
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。
当Hadoop集群在执行时,你可以使用浏览器访问,检查结果是否输出并存储在HDFS目录下的中:

hadoop@ubuntu:/usr/local/hadoop$ bin/hadoop dfs -ls gutenberg-output

Found 1 items
/user/hadoop/gutenberg-output/part-00000903193 2007-09-21 13:00
hadoop@ubuntu:/usr/local/hadoop$

可以使用 命令检查文件目录

hadoop@ubuntu:/usr/local/hadoop$ bin/hadoop dfs -cat gutenberg-output/part-00000

“(Lo)cra” 1
“1490 1
“1498,” 1
“35” 1
“40,” 1
“A 2
“AS-IS”. 2
“A_ 1
“Absoluti 1
[…]
hadoop@ubuntu:/usr/local/hadoop$

注意比输出,上面结果的(“)符号不是Hadoop插入的。


Vito wechat
欢迎关注我的公众号:VitoStackBlog。