Pydoop 架构和模块包介绍

1. 背景

 

Hadoop支持Java以及C/C++开发，其中Hadoop Pipes(C++)支持MapReduce，而Hadoop libhdfs(C)支持HDFS的访问。但Python的解决方案仅能支持Hadoop部分功能，具体如下。

• Hadoop Streaming：1. Awkward编程风格;2.仅能编写Mapper和Reducer脚本，不能编写RecordReader/Writer，Partitioner脚本;3. 不能访问HDFS;4. 仅能处理文本数据流;
• Jython：1.支持不完整的标准库;2.大多数第三方包仅兼容CPython;3.不能使用C/C++扩展;

        

• Hadoop-based类：局限性类似于Hadoop Streaming/Jython。
• Non-Hadoop MR类：不成熟。

以上Python方案只支持hadoop部分功能，不能完全同时支持MapReduce/HDFS。因此CRS4提出了Pydoop 方案，用Python封装Hadoop Pipes和libhdfs，实现MapReduce和HDFS的访问。

 

2. Pydoop特性

 

Pydoop的特性如下：

• 支持访问多数MR组件(RecordReader/Writer/Partitioner);
• 获取configuration，设置counter和report status;
• Like Java编程;
• 支持CPython，支持Python模块;
• 支持Hadoop HDFS API。

综上所述，归纳了Hadoop Streaming-Jython-Pydoop类的特性，如下图。

 

3. Pydoop架构

 

Pydoop架构如下图所示，包括整合Pipes和整合C libhdfs两部分。

• 整合Pipes：方法调用流从Hadoop Framework开始，通过C++ Pipes和Python API，最后到达用户自定义的方法;Boost封装结果后，返回至Hadoop Framework。
• 整合C libhdfs: 与Pipes相反，函数调用由Pydoop触发，通过C libhdfs，到达Hadoop framework; Boost封装结果后返回Pydoop端。

             

 

4. Pydoop模块包

 

Pydoop包括pydoop.hdfs、pydoop.pipes、pydoop.utils、pydoop.hadut等模块包，包的详细功能如下：

• Hdfs：hdfs api模块，包括hdfs.path、hdfs.fs、 hdfs.file子包。主要有访问HDFS，读写文件，获取文件/目录/文件系统属性的信息功能。
• Pipes：mapreduce模块包，用于编写Mapreduce程序，编写mapreduce组件(Mapper, Reducer, RecordReader/Writer, Partitioner，etc.)。
• Utils： utility函数模块包。
• Hadut：hadoop shell命令模块包。

参考资料

 

Pydoop: a Python MapReduce and HDFS API for Hadoop

Python MapReduce Programming with Pydoop

Pydoop官网

转载于:https://my.oschina.net/taisha/blog/78461