使用Python实现Map Reduce程序

使用Python实现Map Reduce程序

起因

想处理一些较大的文件，单机运行效率太低，多线程也达不到要求，最终采用了集群的处理方式。

详细的讨论可以在v2ex上看一下。

步骤

• MapReduce程序要分为两部分，即Map和Reduce部分，所以Python代码也是要分为两部分
• 程序运行

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 

• jar文件要在本机上找到，可以使用find命令搜索
• input和output目录要在hdfs上
• mapper和reducer代码放在本机即可
• Map 和 Reduce间传递数据通过STDIN (标准输入)和STDOUT (标准输出)

程序实例

• 可以写一个什么都不做的程序，即获得输入，然后输出
• mapper.py如下

import sys

for line in sys.stdin:
    print line

• reducer.py如下

import sys

for line in sys.stdin:
    print line

• 赋予代码可运行权限 chmod即可
• 然后运行即可在output位置查看输出

参考

• CSDN