【学习点滴-hadoop】Hadoop之php脚本调用

原则上，Hadoop是可以支持几乎任何语言的。

原文链接：http://rdc.taobao.com/team/top/tag/hadoop-php-stdin/

用PHP写hadoop的mapreduce程序

Posted by 覃 健祥 on 03月 28th, 2011

Hadoop本身是Java写的，所以，给hadoop写mapreduce，人们会自然地想到java

但hadoop里面有个contrib叫做hadoop streaming，这是一个小工具，为hadoop提供streaming支持，使得任何支持标准IO (stdin, stdout)的可执行程序都能成为hadoop的mapper或者reducer

例如：hadoop jar hadoop-streaming.jar -input SOME_INPUT_DIR_OR_FILE -output SOME_OUTPUT_DIR -mapper /bin/cat -reducer /usr/bin/wc

在这个例子里，就使用了Unix/Linux自带的cat和wc工具来作为mapper / reducer，是不是很神奇？

如果你习惯了使用一些动态语言，用动态语言来写mapreduce吧，跟之前的编程没有任何不同，hadoop只是运行它的一个框架，下面我演示一下用PHP来实现Word Counter的mapreduce。

找到streaming jar

hadoop根目录下是没有hadoop-streaming.jar的，因为streaming是一个contrib，所以要去contrib下面找，以hadoop-0.20.2为例，它在这里：

$HADOOP_HOME/contrib/streaming/hadoop-0.20.2-streaming.jar

写mapper

新建一个wc_mapper.php，写入如下代码：

#!/usr/bin/php
<?php
    $in = fopen(“php://stdin”, “r”);
    $results = array();
    while ( $line = fgets($in, 4096) ){
        $words = preg_split(‘/\W/’, $line, 0, PREG_SPLIT_NO_EMPTY);
        foreach ($words as $word)
            $results[] = $word;
    }
    fclose($in);
    foreach ($results as $key => $value){
        print “$value\t1\n”;
    }

这段代码的大致意思是：把输入的每行文本中的单词找出来，并以”
hello    1
world  1″
这样的形式输出出来。

和之前写的PHP基本没有什么不同，对吧，可能稍微让你感到陌生有两个地方：

PHP作为可执行程序

第一行的“#!/usr/bin/php”告诉linux，要用/usr/bin/php这个程序作为以下代码的解释器。写过linux shell的人应该很熟悉这种写法了，每个shell脚本的第一行都是这样: #!/bin/bash, #!/usr/bin/python

有了这一行，保存好这个文件以后，就可以像这样直接把wc_mapper.php当作cat, grep一样的命令执行了：./wc_mapper.php

使用stdin接收输入

PHP支持多种参数传入的方法，大家最熟悉的应该是从$_GET, $_POST超全局变量里面取通过Web传递的参数，次之是从$_SERVER['argv']里取通过命令行传入的参数，这里，采用的是标准输入stdin

它的使用效果是：

在linux控制台输入 ./wc_mapper.php

wc_mapper.php运行，控制台进入等候用户键盘输入状态

用户通过键盘输入文本

用户按下Ctrl + D终止输入，wc_mapper.php开始执行真正的业务逻辑，并将执行结果输出

那么stdout在哪呢？print本身已经就是stdout啦，跟我们以前写web程序和CLI脚本没有任何不同。

写reducer

新建一个wc_reducer.php，写入如下代码：

#!/usr/bin/php
<?php
    $in = fopen(“php://stdin”, “r”);
    $results = array();
    while ( $line = fgets($in, 4096) ){
        list($key, $value) = preg_split(“/\t/”, trim($line), 2);
        $results[$key] += $value;
    }
    fclose($in);
    ksort($results);
    foreach ($results as $key => $value){
        print “$key\t$value\n”;
    }

这段代码的大意是统计每个单词出现了多少次，并以”
hello   2
world  1″
这样的形式输出

用hadoop来运行

上传要统计的示例文本

hadoop fs -put *.TXT /tmp/input

以Streaming方式执行PHP mapreduce程序

hadoop jar hadoop-0.20.2-streaming.jar -input /tmp/input -output /tmp/output -mapper wc_mapper.php的绝对路径 -reducer wc_reducer.php的绝对路径

注意：

input和output目录是在hdfs上的路径

mapper和reducer是在本地机器的路径，一定要写绝对路径，不要写相对路径，以免到时候hadoop报错说找不到mapreduce程序

查看结果

hadoop fs -cat /tmp/output/part-00000