python hadoop_Hadoop实践之Python（一）

关于hadoop，建议大家在自己的linux上面跟着网上的教程搭建一次单节点和多节点的hadoop平台，亦可参考Hadoop安装教程_单机/伪分布式配置。关于mapreduce，我是新手，只能从“分而治之”的角度来考虑，首先“map”也就是”分”——数据分割，然后“reduce”对"map"处理后的结果进一步的运算，这里给出的例子是一般的hadoop入门程序“WordCount”，就是首先写一个map程序用来将输入的字符串分割成单个的单词，然后reduce这些单个的单词，相同的单词就对其进行计数，不同的单词分别输出，结果输出每一个单词出现的频数。

注意：关于数据的输入输出是通过sys.stdin（系统标准输入）和sys.stdout（系统标准输出）来控制数据的读入与输出。所有的脚本执行之前都需要修改权限，否则没有执行权限，例如下面的脚本创建之前使用“chmod +x mapper.py”

mapper.py

#!/usr/bin/env python

# ($HADOOP_HOME/mapper.py)

import sys

for line in sys.stdin: # 遍历读入数据的每一行

line = line.strip() # 将行尾行首的空格去除

words = line.split() #按空格将句子分割成单个单词

for word in words:

print '%s\t%s' %(word, 1)

reducer.py

#!/usr/bin/env python

# ($HADOOP_HOME/reducer.py)

from operator import itemgetter

import sys

current_word = None # 为当前单词

current_count = 0 # 当前单词频数

word = None

for line in sys.stdin:

words = line.strip() # 去除字符串首尾的空白字符

word, count = words.split('\t') # 按照制表符分隔单词和数量

try:

count = int(count) # 将字符串类型的‘1’转换为整型1

except ValueError:

continue

if current_word == word: # 如果当前的单词等于读入的单词

current_count += count # 单词频数加1

else:

if current_word: # 如果当前的单词不为空则打印其单词和频数

print '%s\t%s' %(current_word, current_count)

current_count = count # 否则将读入的单词赋值给当前单词，且更新频数

current_word = word

if current_word == word:

print '%s\t%s' %(current_word, current_count)

查看输出结果

cd $HADOOP_HOME

echo "foo foo quux labs foo bar zoo zoo hying" | ./mapper.py | sort -k 1,1 | ./reducer.py

# echo是将后面“foo ****”字符串输出，并利用管道符“|”将输出数据作为mapper.py这个脚本的输入数据，并将mapper.py的数据输入到reducer.py中，其中参数sort -k 1,1是将reducer的输出内容按照第一列的第一个字母的ASCII码值进行升序排序

下面看一些脚本的输出结果：

让Python代码在hadoop上跑起来！

一、准备输入数据

接下来，先下载三本书：

mkdir -p tmp/gutenberg

cd tmp/gutenberg

wget http://www.gutenberg.org/ebooks/20417.txt.utf-8

wget http://www.gutenberg.org/files/5000/5000-8.txt

wget http://www.gutenberg.org/ebooks/4300.txt.utf-8

然后把这三本书上传到hdfs文件系统上：

hdfs dfs -mkdir ./input # 在hdfs上的该用户目录下创建一个输入文件的文件夹

hdfs dfs -put ./tmp/gutenberg/*.txt ./input # 上传文档到hdfs上的输入文件夹中

寻找你的streaming的jar文件存放地址，注意2.6的版本放到share目录下了，可以进入hadoop安装目录寻找该文件：

cd $HADOOP_HOME

find ./ -name "*streaming*"

由于这个文件的路径比较长，因此我们可以将它写入到环境变量：

vi ~/.bashrc # 打开环境变量配置文件

# 在里面写入streaming路径

export STREAM=$HADOOP_HOME/share/hadoop/tools/lib/hadoop-streaming-*.jar

source ~/.bashrc

通过streaming接口运行脚本

hadoop jar $STREAM -files ./mapper.py,./reducer.py -mapper ./mapper.py -reducer ./reducer.py -input ./input/gutenberg*.txt -output ./output

就会complete啦，你就可以通过如下方式查看计数结果