python写mapreduce_如何使用Python为Hadoop编写一个简单的MapReduce程序？

郎朗坤

转载：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)　　如何使用Hadoop Distributed File System (HDFS)在Ubuntu Linux 建立单节点的 Hadoop 集群　　如何使用Hadoop Distributed File System (HDFS)在Ubuntu Linux 建立多节点的 Hadoop 集群　　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/home/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 /home/hadoop/mapper.py)。　　#!/usr/bin/env python　　　　import sys　　　　# input comes from STDIN (standard input)　　for line in sys.stdin:　　# remove leading and trailing whitespace　　line = line.strip()　　# split the line into words　　words = line.split()　　# increase counters　　for word in words:　　# write the results to STDOUT (standard output);　　# what we output here will be the input for the　　# Reduce step, i.e. the input for reducer.py　　#　　# tab-delimited; the trivial word count is 1　　print '%s\\t%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/home/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 /home/hadoop/reducer.py　　#!/usr/bin/env python　　　　from operator import itemgetter　　import sys　　　　# maps words to their counts　　word2count = {}　　　　# input comes from STDIN　　for line in sys.stdin:　　# remove leading and trailing whitespace　　line = line.strip()　　　　# parse the input we got from mapper.py　　word, count = line.split('\\t', 1)　　# convert count (currently a string) to int　　try:　　count = int(count)　　word2count[word] = word2count.get(word, 0) + count　　except ValueError:　　# count was not a number, so silently　　# ignore/discard this line　　pass　　　　# sort the words lexigraphically;　　#　　# this step is NOT required, we just do it so that our　　# final output will look more like the official Hadoop　　# word count examples　　sorted_word2count = sorted(word2count.items(), key=itemgetter(0))　　　　# write the results to STDOUT (standard output)　　for word, count in sorted_word2count:　　print '%s\\t%s'% (word, 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：　　——————————————————————————————————————————————　　\r\n　　# very basic test　　hadoop@ubuntu:~$ echo "foo foo quux labs foo bar quux" | /home/hadoop/mapper.py　　foo 1　　foo 1　　quux 1　　labs 1　　foo 1　　bar 1　　——————————————————————————————————————————————　　hadoop@ubuntu:~$ echo "foo foo quux labs foo bar quux" | /home/hadoop/mapper.py | sort | /home/hadoop/reducer.py　　bar 1　　foo 3　　labs 1　　——————————————————————————————————————————————　　# using one of the ebooks as example input　　# (see below on where to get the ebooks)　　hadoop@ubuntu:~$ cat /tmp/gutenberg/20417-8.txt | /home/hadoop/mapper.py　　The 1　　Project 1　　Gutenberg 1　　EBook 1　　of 1　　[...]　　(you get the idea)　　quux 2　　quux 1　　——————————————————————————————————————————————　　在Hadoop平台上运行Python脚本　　为了这个例子，我们将需要三种电子书：　　The Outline of Science, Vol. 1 (of 4) by J. Arthur Thomson\r\n　　The Notebooks of Leonardo Da Vinci\r\n　　Ulysses by James Joyce　　下载他们，并使用us-ascii编码存储 解压后的文件，保存在临时目录，比如/tmp/gutenberg.　　hadoop@ubuntu:~$ ls -l /tmp/gutenberg/　　total 3592　　-rw-r--r-- 1 hadoop hadoop 674425 2007-01-22 12:56 20417-8.txt　　-rw-r--r-- 1 hadoop hadoop 1423808 2006-08-03 16:36 7ldvc10.txt　　-rw-r--r-- 1 hadoop hadoop 1561677 2004-11-26 09:48 ulyss12.txt　　hadoop@ubuntu:~$　　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@ubuntu:/usr/local/hadoop$ bin/hadoop dfs -copyFromLocal /tmp/gutenberg gutenberg　　hadoop@ubuntu:/usr/local/hadoop$ bin/hadoop dfs -ls　　Found 1 items　　/user/hadoop/gutenberg