Hadoop 实战之Streaming（十一）

ValueHistogram是aggregate package中最强大的类，基于每个键，对其value做以下统计
1）唯一值个数
2）最小值个数
3）中位置个数
4）最大值个数
5）平均值个数
6）标准方差

环境：Vmware 8.0 和ubuntu11.04

Hadoop 实战之Streaming（十）---通过Aggregate包使用Streaming

第一步: 首先在/home/tanglg1987目录下新建一个start.sh脚本文件，每次启动虚拟机都要删除/tmp目录下的全部文件，重新格式化namenode，代码如下：

sudo rm -rf /tmp/*
rm -rf /home/tanglg1987/hadoop-0.20.2/logs
hadoop namenode -format
hadoop datanode -format
start-all.sh
hadoop fs -mkdir input 
hadoop dfsadmin -safemode leave

第二步：给start.sh增加执行权限并启动hadoop伪分布式集群，代码如下:

chmod 777 /home/tanglg1987/start.sh
./start.sh 

运行过程如下：

第三步：上传本地文件到hdfs

在专利局http://data.nber.org/patents/网站下载专利数据

http://data.nber.org/patents/apat63_99.zip

hadoop fs -put /home/tanglg1987/apat63_99.txt input

第四步：新建一个ValueHistogram.py的Python文件

ValueHistogram.py代码如下：

#!/usr/bin/env python
import sys
index1 = int(sys.argv[1])
index2 = int(sys.argv[2])
for line in sys.stdin:
    fields = line.split(",")
    print "ValueHistogram:" + fields[index1] + "\t" + fields[index2]

第五步：新建一个test.py的Python文件

解决Linux下运行Python脚本显示“: 没有那个文件或目录”的问题
我猜不少人都遇到过类似的问题：
在Windows下写好了一个python脚本，运行没问题
但放到Linux系统下就必须在命令行前加上一个python解释器才能运行
脚本开头的注释行已经指明了解释器的路径，也用chmod给了执行权限，但就是不能直接运行脚本。
比如这个脚本：
#!/usr/bin/env python
#-*- coding=utf-8 -*-
def main():
print('This is just a test!\r\n')
if __name__ == '__main__':
main()
按理说没错的，但为什么不能直接运行呢？
后来发现问题出在换行表示上……
Windows下，文本的换行是\r\n一同实现的，而*nix下则只用\n
所以我的第一行代码在Linux下就被识别为了：
#!/usr/bin/env python\r
很显然，系统不知道这个"python\r"是个什么东西……
知道了这个，解决方案就很显而易见了，写了一个自动替换换行标志的脚本：

#!/usr/bin/env python
#-*- coding=utf-8 -*-
import sys, os
def replace_linesep(file_name):
	if type(file_name) != str:
		raise ValueError
	new_lines = []
	
	#以读模式打开文件
	try:
		fobj_original = open(file_name, 'r')
	except IOError:
		print('Cannot read file %s!' % file_name)
		return False
	#逐行读取原始脚本
	print('Reading file %s' % file_name)
	line = fobj_original.readline()
	while line:
		if line[-2:] == '\r\n':
			new_lines.append(line[:-2] + '\n')
		else:
			new_lines.append(line)
		line = fobj_original.readline()
	fobj_original.close()
	
	#以写模式打开文件
	try:
		fobj_new = open(file_name, 'w')
	except IOError:
		print('Cannot write file %s!' % file_name)
		return False
	#逐行写入新脚本
	print('Writing file %s' % file_name)
	for new_line in new_lines:
		fobj_new.write(new_line)
	fobj_new.close()
	return True
		
def main():
	args = sys.argv
	if len(args) < 2:
		print('Please enter the file names as parameters follow this script.')
		os._exit(0)
	else:
		file_names = args[1:]
		for file_name in file_names:
			if replace_linesep(file_name):
				print('Replace for %s successfully！' % file_name)
			else:
				print('Replace for %s failed！' % file_name)
	os._exit(1)

if __name__ == '__main__':
	main()

第六步：新建一个replace.sh的shell文件

/home/tanglg1987/test/streaming/test.py *.py

运行过程如下：

第七步：编写一个名为：list-4-11.sh的shell脚本

$HADOOP_HOME/bin/hadoop  jar $HADOOP_HOME/hadoop-0.20.2-streaming.jar -input input/apat63_99.txt -output output -file	/home/tanglg1987/test/streaming/ValueHistogram.py	-mapper 'ValueHistogram.py 1 4' -reducer aggregate 

第八步：给list-4-11.sh增加执行权限并启动脚本，代码如下：

chmod 777 /home/tanglg1987/list-4-11.sh
./list-4-11.sh

第九步：运行过程如下：

第十步：查看结果集，运行结果如下：