使用Python实现Hadoop MapReduce程序

根据上面两篇文章，下面是我在自己的ubuntu上的运行过程。文字基本采用博文使用Python实现Hadoop MapReduce程序， 打字很浪费时间滴。

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)

如何在Ubuntu Linux 上搭建hadoop的单节点模式和伪分布模式，请参阅博文Ubuntu上搭建Hadoop环境(单机模式+伪分布模式)

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/usr/local/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 mapper.py)。

#!/usr/bin/envpython

importsys

#inputcomesfromSTDIN(standardinput)

forlineinsys.stdin:

#removeleadingandtrailingwhitespace

line=line.strip()

#splitthelineintowords

words=line.split()

#increasecounters

forwordinwords:

#writetheresultstoSTDOUT(standardoutput);

#whatweoutputherewillbetheinputforthe

#Reducestep,i.e.theinputforreducer.py

#tab-delimited;thetrivialwordcountis1

print’%s %s’%(word,1)

在这个脚本中，并不计算出单词出现的总数，它将输出 " 1"

迅速地，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/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/envpython

fromoperatorimportitemgetter

importsys

current_word=None

current_count=0

word=None

#inputcomesfromSTDIN

forlineinsys.stdin:

#removeleadingandtrailingwhitespace

line=line.strip()

#parsetheinputwegotfrommapper.py

word,count=line.split(’ ',1)

#convertcount(currentlyastring)toint

try:

count=int(count)

exceptValueError:

#countwasnotanumber,sosilently

#ignore/discardthisline

continue

#thisIF-switchonlyworksbecauseHadoopsortsmapoutput

#bykey(here:word)beforeitispassedtothereducer

ifcurrent_word==word:

current_count+=count

else:

ifcurrent_word:

#writeresulttoSTDOUT

print’%s %s’%(current_word,current_count)

current_count=count

current_word=word

#donotforgettooutputthelastwordifneeded!

ifcurrent_word==word:

print’%s %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"foofooquuxlabsfoobarquux"|./mapper.py

foo1

foo1

quux1

labs1

foo1

bar1

quux1

hadoop@derekUbun:/usr/local/hadoop$echo"foofooquuxlabsfoobarquux"|./mapper.py|sort|./reducer.py

bar1

foo3

labs1

quux2

# using one of the ebooks as example input

# (see below on where to get the ebooks)

hadoop@derekUbun:/usr/local/hadoop$catbook/book.txt|./mapper.pysubscribe1

to1

our1

email1

newsletter1

to1

hear1

about1

new1

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-lbook

总用量636

-rw-rw-r–1derekderek6496693月1212:22book.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$hadoopdfs-copyFromLocal/usr/local/hadoop/bookbook

hadoop@derekUbun:/usr/local/hadoop$hadoopdfs-ls

Found3items

drwxr-xr-x-hadoopsupergroup02013-03-1215:56/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$hadoopjarcontrib/streaming/hadoop-streaming-1.1.2.jar

-mapper/usr/local/hadoop/mapper.py

-reducer/usr/local/hadoop/reducer.py

-inputbook/*

-outputbook-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$hadoopjarcontrib/streaming/hadoop-streaming-1.1.2.jar

-jobconfmapred.reduce.tasks=4

-mapper/usr/local/hadoop/mapper.py

-reducer/usr/local/hadoop/reducer.py

-inputbook/*

-outputbook-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/hadoopjarcontrib/streaming/hadoop-streaming-1.1.2.jar

-mappertask1/mapper.py

-filetask1/mapper.py

-reducertask1/reducer.py

-filetask1/reducer.py

-inputurl

-outputurl-output

-jobconfmapred.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$hadoopjarcontrib/streaming/hadoop-streaming-1.1.2.jar-jobconfmapred.reduce.tasks=4-mapper/usr/local/hadoop/mapper.py-reducer/usr/local/hadoop/reducer.py-inputbook/*-outputbook-output

13/03/1216:01:05WARNstreaming.StreamJob:-jobconfoptionisdeprecated,pleaseuse-Dinstead.

packageJobJar:[/usr/local/hadoop/tmp/hadoop-unjar4835873410426602498/][]/tmp/streamjob5047485520312501206.jartmpDir=null

13/03/1216:01:06INFOutil.NativeCodeLoader:Loadedthenative-hadooplibrary

13/03/1216:01:06WARNsnappy.LoadSnappy:Snappynativelibrarynotloaded

13/03/1216:01:06INFOmapred.FileInputFormat:Totalinputpathstoprocess:1

13/03/1216:01:06INFOstreaming.StreamJob:getLocalDirs():[/usr/local/hadoop/tmp/mapred/local]

13/03/1216:01:06INFOstreaming.StreamJob:Runningjob:job_201303121448_0010

13/03/1216:01:06INFOstreaming.StreamJob:Tokillthisjob,run:

13/03/1216:01:06INFOstreaming.StreamJob:/usr/local/hadoop/libexec/…/bin/hadoopjob-Dmapred.job.tracker=localhost:9001-killjob_201303121448_0010

13/03/1216:01:06INFOstreaming.StreamJob:TrackingURL:http://localhost:50030/jobdetails.jspjobid=job_201303121448_0010

13/03/1216:01:07INFOstreaming.StreamJob:map0%reduce0%

13/03/1216:01:10INFOstreaming.StreamJob:map100%reduce0%

13/03/1216:01:17INFOstreaming.StreamJob:map100%reduce8%

13/03/1216:01:18INFOstreaming.StreamJob:map100%reduce33%

13/03/1216:01:19INFOstreaming.StreamJob:map100%reduce50%

13/03/1216:01:26INFOstreaming.StreamJob:map100%reduce67%

13/03/1216:01:27INFOstreaming.StreamJob:map100%reduce83%

13/03/1216:01:28INFOstreaming.StreamJob:map100%reduce100%

13/03/1216:01:29INFOstreaming.StreamJob:Jobcomplete:job_201303121448_0010

13/03/1216:01:29INFOstreaming.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$hadoopdfs-lsbook-output

Found6items

-rw-r–r–2hadoopsupergroup02013-03-1216:01/user/hadoop/book-output/_SUCCESS

drwxr-xr-x-hadoopsupergroup02013-03-1216:01/user/hadoop/book-output/_logs

-rw-r–r–2hadoopsupergroup332013-03-1216:01/user/hadoop/book-output/part-00000

-rw-r–r–2hadoopsupergroup602013-03-1216:01/user/hadoop/book-output/part-00001

-rw-r–r–2hadoopsupergroup542013-03-1216:01/user/hadoop/book-output/part-00002

-rw-r–r–2hadoopsupergroup472013-03-1216:01/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$hadoopdfs-catbook-output/part-00000

about1

eBooks.1

the1

to2

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/envpython

“”“AmoreadvancedMapper,usingPythoniteratorsandgenerators.”“”

importsys

defread_input(file):

forlineinfile:

#splitthelineintowords

yieldline.split()

defmain(separator=’ '):

#inputcomesfromSTDIN(standardinput)

data=read_input(sys.stdin)

forwordsindata:

#writetheresultstoSTDOUT(standardoutput);

#whatweoutputherewillbetheinputforthe

#Reducestep,i.e.theinputforreducer.py

#tab-delimited;thetrivialwordcountis1

forwordinwords:

print’%s%s%d’%(word,separator,1)

if__name__==“__main__”:

main()

reducer.py

#!/usr/bin/envpython

“”“AmoreadvancedReducer,usingPythoniteratorsandgenerators.”“”

fromitertoolsimportgroupby

fromoperatorimportitemgetter

importsys

defread_mapper_output(file,separator=’ '):

forlineinfile:

yieldline.rstrip().split(separator,1)

defmain(separator=’ '):

#inputcomesfromSTDIN(standardinput)

data=read_mapper_output(sys.stdin,separator=separator)

#groupbygroupsmultipleword-countpairsbyword,

#andcreatesaniteratorthatreturnsconsecutivekeysandtheirgroup:

#current_word-stringcontainingaword(thekey)

#group-iteratoryieldingall[“”,“”]items

forcurrent_word,groupingroupby(data,itemgetter(0)):

try:

total_count=sum(int(count)forcurrent_word,countingroup)

print"%s%s%d"%(current_word,separator,total_count)

exceptValueError:

#countwasnotanumber,sosilentlydiscardthisitem

pass

if__name__==“__main__”:

main()