hadooppython实例_Hadoop Streaming例子(python)

以前总是用java写一些MapReduce程序现举一个例子使用Python通过Hadoop Streaming来实现Mapreduce。

任务描述：

HDFS上有两个目录/a和/b，里面数据均有3列，第一列都是id，第二列是各自的业务类型(这里假设/a对应a，/b对应b)，第三列是一个json串。各举一例：

/a的一行：1234567　　a　　{"name":"jiufeng","age":"27","sex":"male","school":"","status":["111","000","001"],...}

/b的一行：12345　　b　　{"a":"abc","b":"adr","xxoo":"e",...}

要查找在/a中出现"status"且有"111"状态，而且要再/b中有这个id的所有id列表。

那么来吧，首先需要mapper来提取/a中满足"status"有"111"状态的id和第二列"a"、/b中所有行的前两列，python代码如下，mapper.py：

1 #!/usr/bin/env python

2 #coding = utf-8

3

4 importjson5 importsys6 importtraceback7 importdatetime,time8

9 defmapper():10 for line insys.stdin:11 line =line.strip()12 id,tag,content = line.split('\t')13 if tag == 'a':14 jstr =json.loads(content)15 active = jstr.get('status',[])16 if "111" inactive:17 print '%s\t%s' %(id,tag)18 if tag == 'b':19 print '%s\t%s' %( id,tag)20

21 if __name__ == '__main__':22 mapper()

这个mapper是从表中输入中提取数据，然后将满足条件的数据通过标准输出。然后是reducer.py：

1 #!/usr/bin/env python

2 #coding = utf-8

3

4 importsys5 importjson6

7 defreducer():8 tag_a =09 tag_b =010 pre_id = ''

11 for line insys.stdin:12 line =line.strip()13 current_id,tag = line.split('\t')14 if current_id !=pre_id:15 if tag_a==1 and tag_b==1:16 tag_a =017 tag_b =018 print '%s' %pre_id19 else:20 tag_a =021 tag_b =022 pre_id =current_id23 if tag == 'a':24 if tag_a ==0:25 tag_a = 1

26 if tag == 'b':27 if tag_b ==0:28 tag_b = 1

29 if tag_b==1 and tag_b==1:30 print '%s' %pre_id31

32 if __name__ == '__main__':33 reducer()

一个reducer可以接受N多行数据，不像java那样的一行对应一个key然后多个value，而是一个key对应一个value，但好在相同key的行都是连续的，只要在key变化的时候做一下处理就行。

然后安排让hadoop执行，schedule.py：

1 #!/usr/bin/env python

2 #coding = utf-8

3

4 importsubprocess, os5 importdatetime6

7

8 defmr_job():9 mypath = os.path.dirname(os.path.abspath(__file__))10 inputpath1 = '/b/*'

11 inputpath2 = '/a/*'

12 outputpath = '/out/'

13 mapper = mypath + '/mapper.py'

14 reducer = mypath + '/reducer.py'

15 cmds = ['$HADOOP_HOME/bin/hadoop', 'jar', '$HADOOP_HOME/contrib/streaming/hadoop-streaming-1.2.1.jar',16 '-numReduceTasks', '40',17 '-input', inputpath1,18 '-input', inputpath2,19 '-output', outputpath,20 '-mapper', mapper,21 '-reducer', reducer,22 '-file', mapper,23 '-file', reducer,]24 for f inos.listdir(mypath):25 cmds.append(mypath + '/' +f)26 cmd = ['$HADOOP_HOME/bin/hadoop', 'fs', '-rmr', outputpath]27 subprocess.call(cmd)28 subprocess.call(cmds)29

30

31 defmain():32 mr_job()33

34 if __name__ == '__main__':35 main()

schedule.py就是执行MapReduce的地方通过调用hadoop-streamingXXX.jar会通过调用shell命令来提交job，另外可以配置一下参数，shell命令会将制定的文件上传到hdfs然后分发到各个节点执行。。。$HADOOP_HOME就是hadoop的安装目录。。。mapper和reducer的python脚本的名字无所谓，方法名无所谓因为在配置shell执行命令时已经指定了

上述是一个很简单的python_hadoop-streamingXXX例子。。。。