使用Python实现Hadoop MapReduce程序

​

根据上面两篇文章，下面是我在自己的ubuntu上的运行过程。文字基本采用博文​​使用Python实现Hadoop MapReduce程序，​​  打字很浪费时间滴。 

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）

如何在Ubuntu Linux 上搭建hadoop的单节点模式和伪分布模式，请参阅博文​​Ubuntu上搭建Hadoop环境（单机模式+伪分布模式）​​

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/usr/local/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 mapper.py）。

[python] ​​view plain​​​​copy​​  

1. 1. 
      
2. #!/usr/bin/env python  
3. 
   
4. import sys  
5. 
   
6. # input comes from STDIN (standard input)  
7. for line in sys.stdin:  
8.     # remove leading and trailing whitespace  
9.     line = line.strip()  
10.     # split the line into words  
11.     words = line.split()  
12.     # increase counters  
13.     for word in words:  
14.         # write the results to STDOUT (standard output);  
15.         # what we output here will be the input for the  
16.         # Reduce step, i.e. the input for reducer.py  
17.         #  
18.         # tab-delimited; the trivial word count is 1  
19.         print '%s\t%s' % (word, 1)  
    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" 迅速地，尽管<word>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/usr/local/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 reducer.py

[python] ​​view plain​​​​copy​​  

1. 1. 
      
2. #!/usr/bin/env python  
3. 
   
4. from operator import itemgetter  
5. import sys  
6. 
   
7. current_word = None  
8. current_count = 0  
9. word = None  
10. 
    
11. # input comes from STDIN  
12. for line in sys.stdin:  
13.     # remove leading and trailing whitespace  
14.     line = line.strip()  
15. 
    
16.     # parse the input we got from mapper.py  
17.     word, count = line.split('\t', 1)  
18. 
    
19.     # convert count (currently a string) to int  
20.     try:  
21.         count = int(count)  
22.     except ValueError:  
23.         # count was not a number, so silently  
24.         # ignore/discard this line  
25.         continue  
26. 
    
27.     # this IF-switch only works because Hadoop sorts map output  
28.     # by key (here: word) before it is passed to the reducer  
29.     if current_word == word:  
30.         current_count += count  
31.     else:  
32.         if current_word:  
33.             # write result to STDOUT  
34.             print '%s\t%s' % (current_word, current_count)  
35.         current_count = count  
36.         current_word = word  
37. 
    
38. # do not forget to output the last word if needed!  
39. if current_word == word:  
40.     print '%s\t%s' % (current_word, current_count)  
    1. 
       

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：

[plain] ​​view plain​​​​copy​​  

1. 1. 
      
2. hadoop@derekUbun:/usr/local/hadoop$ echo "foo foo quux labs foo bar quux" | ./mapper.py  
3. foo      1  
4. foo      1  
5. quux     1  
6. labs     1  
7. foo      1  
8. bar      1  
9. quux     1  
10. hadoop@derekUbun:/usr/local/hadoop$ echo "foo foo quux labs foo bar quux" |./mapper.py | sort |./reducer.py  
11. bar     1  
12. foo     3  
13. labs    1  
14. quux    2  
    1. 
       

# using one of the ebooks as example input

# (see below on where to get the ebooks)

[plain] ​​view plain​​​​copy​​  

1. 1. 
      
2. hadoop@derekUbun:/usr/local/hadoop$ cat book/book.txt |./mapper.pysubscribe      1  
3. to   1  
4. our      1  
5. email    1  
6. newsletter   1  
7. to   1  
8. hear     1  
9. about    1  
10. new      1  
11. eBooks.      1  
    1. 
       

在Hadoop平台上运行Python脚本

为了这个例子，我们将需要一本电子书，把它放在/usr/local/hadpoop/book/book.txt之下

[plain] ​​view plain​​​​copy​​  

1. 1. 
      
2. hadoop@derekUbun:/usr/local/hadoop$ ls -l book  
3. 总用量 636  
4. -rw-rw-r-- 1 derek derek 649669  3月 12 12:22 book.txt  
   1. 
      

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：

[plain] ​​view plain​​​​copy​​  

1. 1. 
      
2. hadoop@derekUbun:/usr/local/hadoop$ hadoop dfs -copyFromLocal /usr/local/hadoop/book book  
3. hadoop@derekUbun:/usr/local/hadoop$ hadoop dfs -ls  
4. Found 3 items  
5. drwxr-xr-x   - hadoop supergroup          0 2013-03-12 15:56 /user/hadoop/book  
   1. 
      

执行 MapReduce job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HadoopStreaming 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。

[plain] ​​view plain​​​​copy​​  

1. 1. 
      
2. hadoop@derekUbun:/usr/local/hadoop$hadoop jar contrib/streaming/hadoop-streaming-1.1.2.jar   
3. -mapper /usr/local/hadoop/mapper.py   
4. -reducer /usr/local/hadoop/reducer.py   
5. -input book/*   
6. -output book-output  
   1. 
      

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“-jobconf”选项：

[plain] ​​view plain​​​​copy​​  

1. 1. 
      
2. hadoop@derekUbun:/usr/local/hadoop$hadoop jar contrib/streaming/hadoop-streaming-1.1.2.jar   
3. -jobconf mapred.reduce.tasks=4  
4. 
   
5. -mapper /usr/local/hadoop/mapper.py   
6. -reducer /usr/local/hadoop/reducer.py   
7. -input book/*   
8. -output book-output   
   1. 
      

如果上面两个运行出错，请参考下面一段代码。注意，重新运行，需要删除dfs中的output文件

[plain] ​​view plain​​​​copy​​  

1. 1. 
      
2. bin/hadoop jar contrib/streaming/hadoop-streaming-1.1.2.jar    
3. -mapper task1/mapper.py    
4. -file task1/mapper.py    
5. -reducer task1/reducer.py    
6. -file task1/reducer.py    
7. -input url   
8. -output url-output    
9. -jobconf mapred.reduce.tasks=3   
   1. 
      

一个重要的备忘是关于Hadoop does not honor mapred.map.tasks 这个任务将会读取HDFS目录下的book并处理他们，将结果存储在独立的结果文件中，并存储在HDFS目录下的book-output目录。之前执行的结果如下：

[plain] ​​view plain​​​​copy​​  

1. 1. 
      
2. hadoop@derekUbun:/usr/local/hadoop$ hadoop jar contrib/streaming/hadoop-streaming-1.1.2.jar -jobconf mapred.reduce.tasks=4 -mapper /usr/local/hadoop/mapper.py -reducer /usr/local/hadoop/reducer.py -input book/* -output book-output  
3. 13/03/12 16:01:05 WARN streaming.StreamJob: -jobconf option is deprecated, please use -D instead.  
4. packageJobJar: [/usr/local/hadoop/tmp/hadoop-unjar4835873410426602498/] [] /tmp/streamjob5047485520312501206.jar tmpDir=null  
5. 13/03/12 16:01:06 INFO util.NativeCodeLoader: Loaded the native-hadoop library  
6. 13/03/12 16:01:06 WARN snappy.LoadSnappy: Snappy native library not loaded  
7. 13/03/12 16:01:06 INFO mapred.FileInputFormat: Total input paths to process : 1  
8. 13/03/12 16:01:06 INFO streaming.StreamJob: getLocalDirs(): [/usr/local/hadoop/tmp/mapred/local]  
9. 13/03/12 16:01:06 INFO streaming.StreamJob: Running job: job_201303121448_0010  
10. 13/03/12 16:01:06 INFO streaming.StreamJob: To kill this job, run:  
11. 13/03/12 16:01:06 INFO streaming.StreamJob: /usr/local/hadoop/libexec/../bin/hadoop job  -Dmapred.job.tracker=localhost:9001 -kill job_201303121448_0010  
12. 13/03/12 16:01:06 INFO streaming.StreamJob: Tracking URL: http://localhost:50030/jobdetails.jsp?jobid=job_201303121448_0010  
13. 13/03/12 16:01:07 INFO streaming.StreamJob:  map 0%  reduce 0%  
14. 13/03/12 16:01:10 INFO streaming.StreamJob:  map 100%  reduce 0%  
15. 13/03/12 16:01:17 INFO streaming.StreamJob:  map 100%  reduce 8%  
16. 13/03/12 16:01:18 INFO streaming.StreamJob:  map 100%  reduce 33%  
17. 13/03/12 16:01:19 INFO streaming.StreamJob:  map 100%  reduce 50%  
18. 13/03/12 16:01:26 INFO streaming.StreamJob:  map 100%  reduce 67%  
19. 13/03/12 16:01:27 INFO streaming.StreamJob:  map 100%  reduce 83%  
20. 13/03/12 16:01:28 INFO streaming.StreamJob:  map 100%  reduce 100%  
21. 13/03/12 16:01:29 INFO streaming.StreamJob: Job complete: job_201303121448_0010  
22. 13/03/12 16:01:29 INFO streaming.StreamJob: Output: book-output  
23. hadoop@derekUbun:/usr/local/hadoop$  
    1. 
       

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 http://localhost:50030/ ：

检查结果是否输出并存储在HDFS目录下的book-output中：

[plain] ​​view plain​​​​copy​​  

1. 1. 
      
2. hadoop@derekUbun:/usr/local/hadoop$ hadoop dfs -ls book-output  
3. Found 6 items  
4. -rw-r--r--   2 hadoop supergroup          0 2013-03-12 16:01 /user/hadoop/book-output/_SUCCESS  
5. drwxr-xr-x   - hadoop supergroup          0 2013-03-12 16:01 /user/hadoop/book-output/_logs  
6. -rw-r--r--   2 hadoop supergroup         33 2013-03-12 16:01 /user/hadoop/book-output/part-00000  
7. -rw-r--r--   2 hadoop supergroup         60 2013-03-12 16:01 /user/hadoop/book-output/part-00001  
8. -rw-r--r--   2 hadoop supergroup         54 2013-03-12 16:01 /user/hadoop/book-output/part-00002  
9. -rw-r--r--   2 hadoop supergroup         47 2013-03-12 16:01 /user/hadoop/book-output/part-00003  
10. hadoop@derekUbun:/usr/local/hadoop$  
    1. 
       

可以使用dfs -cat 命令检查文件目录

[plain] ​​view plain​​​​copy​​  

1. 1. 
      
2. hadoop@derekUbun:/usr/local/hadoop$ hadoop dfs -cat book-output/part-00000  
3. about   1  
4. eBooks.     1  
5. the     1  
6. to  2  
7. hadoop@derekUbun:/usr/local/hadoop$   
   1. 
      

下面是原英文作者mapper.py和reducer.py的两个修改版本:

mapper.py

[python] ​​view plain​​​​copy​​  

1. 1. 
      
2. #!/usr/bin/env python  
3. """A more advanced Mapper, using Python iterators and generators."""  
4. 
   
5. import sys  
6. 
   
7. def read_input(file):  
8.     for line in file:  
9.         # split the line into words  
10.         yield line.split()  
11. 
    
12. def main(separator='\t'):  
13.     # input comes from STDIN (standard input)  
14.     data = read_input(sys.stdin)  
15.     for words in data:  
16.         # write the results to STDOUT (standard output);  
17.         # what we output here will be the input for the  
18.         # Reduce step, i.e. the input for reducer.py  
19.         #  
20.         # tab-delimited; the trivial word count is 1  
21.         for word in words:  
22.             print '%s%s%d' % (word, separator, 1)  
23. 
    
24. if __name__ == "__main__":  
25.     main()  
    1. 
       

reducer.py

[python] ​​view plain​​​​copy​​  

1. 1. 1. 
         
   2. #!/usr/bin/env python  
   3. """A more advanced Reducer, using Python iterators and generators."""  
   4. 
      
   5. from itertools import groupby  
   6. from operator import itemgetter  
   7. import sys  
   8. 
      
   9. def read_mapper_output(file, separator='\t'):  
   10.     for line in file:  
   11.         yield line.rstrip().split(separator, 1)  
   12. 
       
   13. def main(separator='\t'):  
   14.     # input comes from STDIN (standard input)  
   15.     data = read_mapper_output(sys.stdin, separator=separator)  
   16.     # groupby groups multiple word-count pairs by word,  
   17.     # and creates an iterator that returns consecutive keys and their group:  
   18.     #   current_word - string containing a word (the key)  
   19.     #   group - iterator yielding all ["<current_word>", "<count>"] items  
   20.     for current_word, group in groupby(data, itemgetter(0)):  
   21.         try:  
   22.             total_count = sum(int(count) for current_word, count in group)  
   23.             print "%s%s%d" % (current_word, separator, total_count)  
   24.         except ValueError:  
   25.             # count was not a number, so silently discard this item  
   26.             pass  
   27. 
       
   28. if __name__ == "__main__":  
   29.     main()  
       1.