Hadoop Streaming提供了一个便于进行MapReduce编程的工具包,使用它可以基于一些可执行命令、脚本语言或其他编程语言来实现Mapper和 Reducer,从而充分利用Hadoop并行计算框架的优势和能力,来处理大数据。
部署hadoop环境,这点可以参考 http://www.powerxing.com/install-hadoop-in-centos/
部署hadoop完成后,需要下载hadoop-streaming包,这个可以到http://www.java2s.com/Code/JarDownload/hadoop-streaming/hadoop-streaming-0.23.6.jar.zip去下载,或者访问http://www.java2s.com/Code/JarDownload/hadoop-streaming/选择最新版本,千万不要选择source否则后果自负,选择编译好的jar包即可,放到/usr/local/hadoop目录下备用
数据:在阿里的天池大数据竞赛网站下载了母婴类购买统计数据,记录了900+个萌萌哒小baby的购买用户名、出生日期和性别信息,天池的地址https://tianchi.shuju.aliyun.com/datalab/index.htm
数据是一个csv文件,结构如下:
用户名,出生日期,性别(0女,1男,2不愿意透露性别)
比如:415971,20121111,0(数据已经脱敏处理)
下面我们来试着统计每年的男女婴人数
接下来开始写mapper程序mapper.py,由于hadoop-streaming是基于Unix Pipe的,数据会从标准输入sys.stdin输入,所以输入就写sys.stdin
#!/usr/bin/python
# -*- coding: utf-8 -*-
import sys
for line in sys.stdin:
line = line.strip()
data = line.split(',')
if len(data)<3:
continue
user_id = data[0]
birthyear = data[1][0:4]
gender = data[2]
print >>sys.stdout,"%s\t%s"%(birthyear,gender)
下面是reduce程序,这里大家需要注意一下,map到reduce的期间,hadoop会自动给map出的key排序,所以到reduce中是一个已经排序的键值对,这简化了我们的编程工作
#!/usr/bin/python
# -*- coding: utf-8 -*-
import sys
gender_totle = {'0':0,'1':0,'2':0}
prev_key = False
for line in sys.stdin:#map的时候map中的key会被排序
line = line.strip()
data = line.split('\t')
birthyear = data[0]
curr_key = birthyear
gender = data[1]
#寻找边界,输出结果
if prev_key and curr_key !=prev_key:#不是第一次,并且找到了边界
print >>sys.stdout,"%s year has female %s and male %s"%(prev_key,gender_totle['0'],gender_totle['1'])#先输出上一次统计的结果
prev_key = curr_key
gender_totle['0'] = 0
gender_totle['1'] = 0
gender_totle['2'] = 0#清零
gender_totle[gender] +=1#开始计数
else:
prev_key = curr_key
gender_totle[gender] += 1
#输出最后一行
if prev_key:
print >>sys.stdout,"%s year has female %s and male %s"%(prev_key,gender_totle['0'],gender_totle['1'])
接下来就是将样本和mapper reducer上传到hdfs中并执行了
可以先这样测试下python脚本是否正确
cat sample.csv | python mapper.py | sort -k1,1 | python reducer.py > result.log
首先要在hdfs中创建相应的目录,为了方便,我将一部分hadoop命令做了别名
alias stop-dfs='/usr/local/hadoop/sbin/stop-dfs.sh'
alias start-dfs='/usr/local/hadoop/sbin/start-dfs.sh'
alias dfs='/usr/local/hadoop/bin/hdfs dfs'
echo "alias stop-dfs='/usr/local/hadoop/sbin/stop-dfs.sh'" >> /etc/profile
echo "alias start-dfs='/usr/local/hadoop/sbin/start-dfs.sh'" >> /etc/profile
echo "alias dfs='/usr/local/hadoop/bin/hdfs dfs'" >> /etc/profile
启动hadoop后,先创建一个用户目录
hadoop fs -mkdir /user/root/input
然后将样本上传到此目录中
hadoop fs -put ./sample.csv /user/root/input
接下来将mapper.py和reducer.py上传到服务器上,切换到上传以上两个文件的目录
然后就可以执行了
hadoop jar /usr/local/hadoop/hadoop-streaming-0.23.6.jar \
-D mapred.job.name="testhadoop" \
-D mapred.job.queue.name=testhadoopqueue \
-D mapred.map.tasks=50 \
-D mapred.min.split.size=1073741824 \
-D mapred.reduce.tasks=10 \
-D stream.num.map.output.key.fields=1 \
-D num.key.fields.for.partition=1 \
-input input/sample.csv \ #样本的路径
-output output-streaming \ #输出结果的路径,自己定义
-mapper mapper.py \ #上面写的mapper的脚本
-reducer reducer.py \ #上面写的reducer的脚本
-file mapper.py \
-file reducer.py \
-partitioner org.apache.hadoop.mapred.lib.KeyFieldBasedPartitioner
命令的解释:
1)-input:输入文件路径
(2)-output:输出文件路径
(3)-mapper:用户自己写的mapper程序,可以是可执行文件或者脚本
(4)-reducer:用户自己写的reducer程序,可以是可执行文件或者脚本
(5)-file:打包文件到提交的作业中,可以是mapper或者reducer要用的输入文件,如配置文件,字典等。
这个一般是必须有的,因为mapper和reducer函数都是写在本地的文件中,因此需要将文件上传到集群中才能被执行
(6)-partitioner:用户自定义的partitioner程序
(7)-D:作业的一些属性(以前用的是-jonconf),具体有:
1)mapred.map.tasks:map task数目
设置的数目与实际运行的值并不一定相同,若输入文件含有M个part,而此处设置的map_task数目超过M,那么实际运行map_task仍然是M
2)mapred.reduce.tasks:reduce task数目 不设置的话,默认值就为1
3)num.key.fields.for.partition=N:shuffle阶段将数据集的前N列作为Key;所以对于wordcount程序,map输出为“word 1”,shuffle是以word作为Key,因此这里N=1
(8)-D stream.num.map.output.key.fields=1 这个是指在reduce之前将数据按前1列做排序,一般情况下可以去掉
出现以下字样就是成功了
16/08/18 18:35:20 INFO mapreduce.Job: map 100% reduce 100%
16/08/18 18:35:20 INFO mapreduce.Job: Job job_local926114196_0001 completed successfully