使用Python实现Hadoop MapReduce程序_hadoop mapreduce可以用python么(1)

afagagagaa

于 2024-05-15 07:16:47 发布

阅读量688

点赞数 15

分类专栏：程序员文章标签：大数据面试学习

本文链接：https://blog.csdn.net/afagagagaa/article/details/138887543

版权

程序员专栏收录该内容

169 篇文章 0 订阅

订阅专栏

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

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

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@derekUbun:/usr/local/hadoop$ hadoop dfs -copyFromLocal /usr/local/hadoop/book book
hadoop@derekUbun:/usr/local/hadoop$ hadoop dfs -ls
Found 3 items
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。

hadoop@derekUbun:/usr/local/hadoop$hadoop jar contrib/streaming/hadoop-streaming-1.1.2.jar 
-mapper /usr/local/hadoop/mapper.py 
-reducer /usr/local/hadoop/reducer.py 
-input book/\* 
-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：

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

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

bin/hadoop jar contrib/streaming/hadoop-streaming-1.1.2.jar  
-mapper task1/mapper.py  
-file task1/mapper.py  
-reducer task1/reducer.py  
-file task1/reducer.py  
-input url 
-output url-output  
-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：

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
13/03/12 16:01:05 WARN streaming.StreamJob: -jobconf option is deprecated, please use -D instead.
packageJobJar: [/usr/local/hadoop/tmp/hadoop-unjar4835873410426602498/] [] /tmp/streamjob5047485520312501206.jar tmpDir=null
13/03/12 16:01:06 INFO util.NativeCodeLoader: Loaded the native-hadoop library
13/03/12 16:01:06 WARN snappy.LoadSnappy: Snappy native library not loaded
13/03/12 16:01:06 INFO mapred.FileInputFormat: Total input paths to process : 1
13/03/12 16:01:06 INFO streaming.StreamJob: getLocalDirs(): [/usr/local/hadoop/tmp/mapred/local]
13/03/12 16:01:06 INFO streaming.StreamJob: Running job: job_201303121448_0010
13/03/12 16:01:06 INFO streaming.StreamJob: To kill this job, run:
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
13/03/12 16:01:06 INFO streaming.StreamJob: Tracking URL: http://localhost:50030/jobdetails.jsp?jobid=job_201303121448_0010
13/03/12 16:01:07 INFO streaming.StreamJob:  map 0%  reduce 0%
13/03/12 16:01:10 INFO streaming.StreamJob:  map 100%  reduce 0%
13/03/12 16:01:17 INFO streaming.StreamJob:  map 100%  reduce 8%
13/03/12 16:01:18 INFO streaming.StreamJob:  map 100%  reduce 33%
13/03/12 16:01:19 INFO streaming.StreamJob:  map 100%  reduce 50%
13/03/12 16:01:26 INFO streaming.StreamJob:  map 100%  reduce 67%
13/03/12 16:01:27 INFO streaming.StreamJob:  map 100%  reduce 83%
13/03/12 16:01:28 INFO streaming.StreamJob:  map 100%  reduce 100%
13/03/12 16:01:29 INFO streaming.StreamJob: Job complete: job_201303121448_0010
13/03/12 16:01:29 INFO streaming.StreamJob: Output: book-output
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：

hadoop@derekUbun:/usr/local/hadoop$ hadoop dfs -ls book-output
Found 6 items
-rw-r--r--   2 hadoop supergroup          0 2013-03-12 16:01 /user/hadoop/book-output/_SUCCESS
drwxr-xr-x   - hadoop supergroup          0 2013-03-12 16:01 /user/hadoop/book-output/_logs
-rw-r--r--   2 hadoop supergroup         33 2013-03-12 16:01 /user/hadoop/book-output/part-00000
-rw-r--r--   2 hadoop supergroup         60 2013-03-12 16:01 /user/hadoop/book-output/part-00001
-rw-r--r--   2 hadoop supergroup         54 2013-03-12 16:01 /user/hadoop/book-output/part-00002
-rw-r--r--   2 hadoop supergroup         47 2013-03-12 16:01 /user/hadoop/book-output/part-00003
hadoop@derekUbun:/usr/local/hadoop$

可以使用dfs -cat 命令检查文件目录

hadoop@derekUbun:/usr/local/hadoop$ hadoop dfs -cat book-output/part-00000
about 	1
eBooks. 	1
the 	1
to 	2
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

#!/usr/bin/env python
"""A more advanced Mapper, using Python iterators and generators."""
import sys
def read\_input(file):
 for line in file:
   # split the line into words
   yield line.split()
def main(separator='\t'):
 # input comes from STDIN (standard input)
 data = read_input(sys.stdin)
 for words in data:


![img](https://img-blog.csdnimg.cn/img_convert/d5f3c1b5a96d74fc9e4ee1746bdedf2f.png)
![img](https://img-blog.csdnimg.cn/img_convert/93ddc5a674739ba543d1f32adc7be2ff.png)

**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**[需要这份系统化资料的朋友，可以戳这里获取](https://bbs.csdn.net/topics/618545628)**


**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**


[外链图片转存中...(img-rmJ1FNUb-1715728585490)]

**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**[需要这份系统化资料的朋友，可以戳这里获取](https://bbs.csdn.net/topics/618545628)**


**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**

afagagagaa

关注

15
点赞
踩
9

收藏

觉得还不错? 一键收藏
0
评论
使用Python实现Hadoop MapReduce程序_hadoop mapreduce可以用python么(1)

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。
复制链接

扫一扫