如何使用Python实现Hadoop MapReduce程序

如何使用Python实现Hadoop MapReduce程序，相信很多没有经验的人对此束手无策，为此本文总结了问题出现的原因和解决方法，通过这篇文章希望你能解决这个问题。

笔者的机器运行效果如下（输入数据是find的帮助手册，和笔者预期一样，the是最多的）：

--------------------------------------以下是原帖---------------------------------

• 在这个实例中，我将会向大家介绍如何使用Python 为 Hadoop编写一个简单的MapReduce
  

  程序。
  尽管Hadoop 框架是使用Java编写的但是我们仍然需要使用像C++、Python等语言来实现 Hadoop程序。尽管Hadoop官方网站给的示例程序是使用Jython编写并打包成Jar文件，这样显然造成了不便，其实，不一定非要这样来实现，我们可以使用Python与Hadoop 关联进行编程，看看位于/src/examples/python/WordCount.py  的例子，你将了解到我在说什么。
  
  我们想要做什么？
  
  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 "<word> 1">
  

  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 on[object Object]e 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

  
  

  ——————————————————————————————————————————————
  
  
  
  为了这个例子，我们将需要三种电子书：

  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:~$

  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  <dir>
   hadoop@ubuntu:/usr/local/hadoop$ bin/hadoop dfs -ls gutenberg
   Found 3 items
   /user/hadoop/gutenberg/20417-8.txt      <r 1>   674425
   /user/hadoop/gutenberg/7ldvc10.txt      <r 1>   1423808
   /user/hadoop/gutenberg/ulyss12.txt      <r 1>   1561677
  
  
  
  现在，一切准备就绪，我们将在运行Python MapReduce job 在Hadoop集群上。像我上面所说的，我们使用的是
   帮助我们传递数据在Map和Reduce间并通过STDIN和STDOUT，进行标准化输入输出。
  
   
   hadoop@ubuntu:/usr/local/hadoop$ bin/hadoop jar contrib/streaming/hadoop-0.19.1-streaming.jar
   -mapper /home/hadoop/mapper.py -reducer /home/hadoop/reducer.py -input gutenberg/* 
  -output gutenberg-output
  在运行中，如果你想更改Hadoop的一些设置，如增加Reduce任务的数量，你可以使用“-hadoop@ubuntu:/usr/local/hadoop$ bin/hadoop jar contrib/streaming/hadoop-0.19.1-streaming.jar 
   -mapper ...
  
  一个重要的备忘是关于 
  这个任务将会读取HDFS目录下的HDFS目录下的
  目录。
  之前执行的结果如下：
  
  hadoop@ubuntu:/usr/local/hadoop$ bin/hadoop jar contrib/streaming/hadoop-0.19.1-streaming.jar 
  -mapper /home/hadoop/mapper.py -reducer /home/hadoop/reducer.py -input gutenberg/* 
  -output gutenberg-output
   
  additionalConfSpec_:null
   null=@@@userJobConfProps_.get(stream.shipped.hadoopstreaming
   packageJobJar: [/usr/local/hadoop-datastore/hadoop-hadoop/hadoop-unjar54543/]
   [] /tmp/streamjob54544.jar tmpDir=null
   [...] INFO mapred.FileInputFormat: Total input paths to process : 7
   [...] INFO streaming.StreamJob: getLocalDirs(): [/usr/local/hadoop-datastore/hadoop-hadoop/mapred/local]
   [...] INFO streaming.StreamJob: Running job: job_200803031615_0021
   [...]
   [...] INFO streaming.StreamJob:  map 0%  reduce 0%
   [...] INFO streaming.StreamJob:  map 43%  reduce 0%
   [...] INFO streaming.StreamJob:  map 86%  reduce 0%
   [...] INFO streaming.StreamJob:  map 100%  reduce 0%
   [...] INFO streaming.StreamJob:  map 100%  reduce 33%
   [...] INFO streaming.StreamJob:  map 100%  reduce 70%
   [...] INFO streaming.StreamJob:  map 100%  reduce 77%
   [...] INFO streaming.StreamJob:  map 100%  reduce 100%
   [...] INFO streaming.StreamJob: Job complete: job_200803031615_0021
  
  
   [...] INFO streaming.StreamJob: Output: gutenberg-output  hadoop@ubuntu:/usr/local/hadoop$ 
  
  
  正如你所见到的上面的输出结果，Hadoop 同时还提供了一个基本的WEB接口显示统计结果和信息。
  当Hadoop集群在执行时，你可以使用浏览器访问   ，如图：
  
  
  
  
  检查结果是否输出并存储在HDFS目录下的中：
  
   hadoop@ubuntu:/usr/local/hadoop$ bin/hadoop dfs -ls gutenberg-output
   Found 1 items
   /user/hadoop/gutenberg-output/part-00000     <r 1>   903193  2007-09-21 13:00
   hadoop@ubuntu:/usr/local/hadoop$ 
  
  可以使用 命令检查文件目录
  
   hadoop@ubuntu:/usr/local/hadoop$ bin/hadoop dfs -cat gutenberg-output/part-00000
   "(Lo)cra"       1
   "1490   1
   "1498," 1
   "35"    1
   "40,"   1
   "A      2
   "AS-IS".        2
   "A_     1
   "Absoluti       1
   [...]
   hadoop@ubuntu:/usr/local/hadoop$
  
  注意比输出，上面结果的(")符号不是Hadoop插入的。

看完上述内容，你们掌握如何使用Python实现Hadoop MapReduce程序的方法了吗？如果还想学到更多技能或想了解更多相关内容，欢迎关注亿速云行业资讯频道，感谢各位的阅读！