一、简单说明

　　本例中我们用Python写一个简单的运行在Hadoop上的MapReduce程序，即WordCount（读取文本文件并统计单词的词频）。这里我们将要输入的单词文本input.txt和Python脚本放到/home/data/python/WordCount目录下。

cd /home/data/python/WordCount
vi input.txt

输入：

There is no denying that
hello python
hello mapreduce
mapreduce is good

Python Hadoop数据采集 python操作hadoop_Hadoop

 

二、编写Map代码

　　这里我们创建一个mapper.py脚本，从标准输入(stdin)读取数据，默认以空格分隔单词，然后按行输出单词机器词频到标准输出(stdout)，整个Map处理过程不会统计每个单词出现的总次数，而是直接输出“word 1”,以便作为Reduce的输入进行统计，确保该文件是可执行的（chmod +x /home/data/python//WordCount/mapper.py)。

cd /home/data/python//WordCount
vi mapper.py
#!/usr/bin/env python 
# -*- coding:UTF-8 -*- import sys
for line in sys.stdin:     #sys.stdin为读取数据，遍历读入数据的每一行
#删除开头和结尾的空格
words = line.split()  #以默认空格分隔行单词到words列表
for word in words:
    #输出所有单词，格式为“单词，1”以便作为Reduce的输入
print('%s\t%s' %(word,1))

#截图如下：

Python Hadoop数据采集 python操作hadoop_Hadoop_02

 

三、编写Reduce代码

　　这里我们创建一个reducer.py脚本，从标准输入(stdin)读取mapper.py的结果，然后统计每个单词出现的总次数并输出到标准输出(stdout)，

确保该文件是可执行的（chmod +x /home/data/python//WordCount/reducer.py)

cd /home/data/python//WordCount
vi reducer.py
#!/usr/bin/env python 
# -*- coding:UTF-8 -*-
import sys
current_word = None    #当前单词
current_count = 0     #当前单词频数
word = None
for line in sys.stdin: 
#删除开头和结尾的空格
    #解析mapper.py输出作为程序的输入，以tab作为分隔符
    word,count = line.split('\t',1)
    try:
　　#转换count从字符型为整型
    except ValueError:
       continue
    #要求mapper.py的输出做排序操作，以便对连接的word做判断，hadoop会自动排序
#如果当前的单词等于读入的单词
#单词频数加1
    else:
#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))
#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   #输出最后一个word统计
    print('%s\%s' %(current_word,current_count))

#截图如下：

Python Hadoop数据采集 python操作hadoop_大数据_03

 

四、本地测试代码

　　我们可以在Hadoop平台运行之前在本地测试，校验mapper.py与reducer.py运行的结果是否正确。注意：测试reducer.py时需要对mapper.py的输出做排序(sort)操作，不过，Hadoop环境会自动实现排序。

#在本地运行mapper.py:
cd /home/data/python/WordCount/
#记得执行： chmod +x /home/data/python//WordCount/mapper.py
cat input.txt | ./mapper.py

 

Python Hadoop数据采集 python操作hadoop_hadoop_04

#在本地运行reducer.py

#记得执行：chmod +x /home/data/python//WordCount/reducer.py

cat input.txt | ./mapper.py | sort -k1,1 | ./reducer.py

 

#这里注意：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。

 

 

Python Hadoop数据采集 python操作hadoop_Python Hadoop数据采集_05

 

五、在Hadoop平台上运行代码

在hadoop运行代码，前提是已经搭建好hadoop集群

1、创建目录并上传文件

　　首先在HDFS上创建文本文件存储目录，这里我创建为：/WordCound

hdfs dfs -mkdir /WordCound
#将本地文件input.txt上传到hdfs的/WordCount上。
hadoop fs -put /home/data/python/WordCount/input.txt /WordCount
hadoop fs -ls /WordCount

2、执行MapReduce程序

　　为了简化我们执行Hadoop MapReduce的命令，我们可以将Hadoop的hadoop-streaming-3.0.0.jar加入到系统环境变量/etc/profile中，在/etc/profile文件中添加如下配置：

首先在配置里导入hadoop-streaming-3.0.0.jar

vi /etc/profile
HADOOP_STREAM=$HADOOP_HOME/share/hadoop/tools/lib/hadoop-streaming-3.0.0.jar 
export HADOOP_STREAM 
source /etc/profile

#执行以下命令:

hadoop jar $HADOOP_STREAM -file /home/data/python/WordCount/mapper.py -mapper ./mapper.py -file /home/data/python/WordCount/reducer.py -reducer ./reducer.py -input /WordCount -output /output/word1

得到：

Python Hadoop数据采集 python操作hadoop_python_06

然后，输入以下命令查看结果：

hadoop fs -ls /output/word1
hadoop fs -cat /output/word1/part-00000

 

Python Hadoop数据采集 python操作hadoop_Hadoop_07

可以发现，结果与之前测试的时候是一致的，那么恭喜你，大功告成！