python写mr比java要省事的多
下面介绍个简单的例子
这个就是要的mapper
import sys,urlparse,os
from subscribe_clean import *
from subscribe_ad import *
clean=subScribeClean(subscribeMonitorCompany())
for line in sys.stdin:
try:
rs = clean.analyzeData(line)
if rs==None or len(rs)<=0:
continue
print '%s' % (clean.cvtToStr(rs))
except Exception as e:
continue
在运行时，用hadoop streaming
hadoop jar /home/q/hadoop/hadoop-2.2.0/share/hadoop/tools/lib/hadoop-streaming-2.2.0.jar \
-D mapred.reduce.tasks=0 \
-D mapred.job.queue.name=wirelessdev \
-D mapred.job.name=logclean_hoteltts_${log_day}_dirk.zhang\
-D mapred.child.java.opts=-Xmx8000m -D mapred.min.split.size=6291456 -D mapred.max.split.size=6291456 -D mapreduce.map.memory.mb=8192 -D mapreduce.map.java.opts='-Xmx8000M' -D mapred.child.map.java.opts='-Xmx8000M' \
-D mapred.output.compress=true -D mapred.output.compression.codec=org.apache.hadoop.io.compress.GzipCodec -D mapred.output.compression.type=BLOCK \
-file sub_mc_clean_mapper.py \
-input ${hdfs_path2} \
-output ${hive_path2} \
-mapper sub_mc_clean_mapper.py \
在用python输出时，经常出现输出多了空行，这样将生成的文件导入hive，会报错，需要在输出的时候加上
strip()函数
1、概述
Hadoop Streaming是Hadoop提供的一个编程工具，它允许用户使用任何可执行文件或者脚本文件作为Mapper和Reducer，例如：
采用shell脚本语言中的一些命令作为mapper和reducer（cat作为mapper，wc作为reducer）
$HADOOP_HOME/bin/hadoop jar $HADOOP_HOME/contrib/streaming/hadoop-*-streaming.jar \
-input myInputDirs \
-output myOutputDir \
-mapper cat \
-reducer wc
本文安排如下，第二节介绍Hadoop Streaming的原理，第三节介绍Hadoop Streaming的使用方法，第四节介绍Hadoop Streaming的程序编写方法，在这一节中，用C++、C、shell脚本 和python实现了WordCount作业，第五节总结了常见的问题。文章最后给出了程序下载地址。(本文内容基于Hadoop-0.20.2版本)
(注：如果你采用的语言为C或者C++，也可以使用Hadoop Pipes，具体可参考这篇文章：Hadoop Pipes编程。)
关于Hadoop Streaming高级编程方法，可参考这篇文章：Hadoop Streaming高级编程，Hadoop编程实例。
2、Hadoop Streaming原理
mapper和reducer会从标准输入中读取用户数据，一行一行处理后发送给标准输出。Streaming工具会创建MapReduce作业，发送给各个tasktracker，同时监控整个作业的执行过程。
如果一个文件（可执行或者脚本）作为mapper，mapper初始化时，每一个mapper任务会把该文件作为一个单独进程启动，mapper任务运行时，它把输入切分成行并把每一行提供给可执行文件进程的标准输入。 同时，mapper收集可执行文件进程标准输出的内容，并把收到的每一行内容转化成key/value对，作为mapper的输出。 默认情况下，一行中第一个tab之前的部分作为key，之后的（不包括tab）作为value。如果没有tab，整行作为key值，value值为null。
对于reducer，类似。
以上是Map/Reduce框架和streaming mapper/reducer之间的基本通信协议。
3、Hadoop Streaming用法
Usage: $HADOOP_HOME/bin/hadoop jar \
$HADOOP_HOME/contrib/streaming/hadoop-*-streaming.jar [options]
options：
（1）-input：输入文件路径
（2）-output：输出文件路径
（3）-mapper：用户自己写的mapper程序，可以是可执行文件或者脚本
（4）-reducer：用户自己写的reducer程序，可以是可执行文件或者脚本
（5）-file：打包文件到提交的作业中，可以是mapper或者reducer要用的输入文件，如配置文件，字典等。
（6）-partitioner：用户自定义的partitioner程序
（7）-combiner：用户自定义的combiner程序（必须用java实现）
（8）-D：作业的一些属性（以前用的是-jonconf），具体有：
1）mapred.map.tasks：map task数目
2）mapred.reduce.tasks：reduce task数目
3）stream.map.input.field.separator/stream.map.output.field.separator： map task输入/输出数
据的分隔符,默认均为\t。
4）stream.num.map.output.key.fields：指定map task输出记录中key所占的域数目
5）stream.reduce.input.field.separator/stream.reduce.output.field.separator：reduce task输入/输出数据的分隔符，默认均为\t。
6）stream.num.reduce.output.key.fields：指定reduce task输出记录中key所占的域数目
另外，Hadoop本身还自带一些好用的Mapper和Reducer：
（1） Hadoop聚集功能
Aggregate提供一个特殊的reducer类和一个特殊的combiner类，并且有一系列的“聚合器”（例如“sum”，“max”，“min”等）用于聚合一组value的序列。用户可以使用Aggregate定义一个mapper插件类，这个类用于为mapper输入的每个key/value对产生“可聚合项”。Combiner/reducer利用适当的聚合器聚合这些可聚合项。要使用Aggregate，只需指定“-reducer aggregate”。
（2）字段的选取（类似于Unix中的‘cut’）
Hadoop的工具类org.apache.hadoop.mapred.lib.FieldSelectionMapReduc帮助用户高效处理文本数据，就像unix中的“cut”工具。工具类中的map函数把输入的key/value对看作字段的列表。 用户可以指定字段的分隔符（默认是tab），可以选择字段列表中任意一段（由列表中一个或多个字段组成）作为map输出的key或者value。 同样，工具类中的reduce函数也把输入的key/value对看作字段的列表，用户可以选取任意一段作为reduce输出的key或value。
4、Mapper和Reducer实现
本节试图用尽可能多的语言编写Mapper和Reducer，包括Java，C，C++，Shell脚本，python等（初学者运行第一个程序时，务必要阅读第5部分 “常见问题及解决方案”！！！！）。
由于Hadoop会自动解析数据文件到Mapper或者Reducer的标准输入中，以供它们读取使用，所有应先了解各个语言获取标准输入的方法。
（1） Java语言：
见Hadoop自带例子
（2） C++语言：
string key;
while (cin>>key){
cin>>value;
….
}
（3） C语言：
char buffer[BUF_SIZE];
while ( fgets (buffer, BUF_SIZE - 1, stdin)){
int len = strlen (buffer);
…
}
（4） Shell脚本
管道
（5） Python脚本
import sys
for line in sys.stdin:
.......
为了说明各种语言编写Hadoop Streaming程序的方法，下面以WordCount为例，WordCount作业的主要功能是对用户输入的数据中所有字符串进行计数。
（1）C语言实现
//mapper
#include <stdio.h>
#include <string.h>
#include <stdlib.h>
#define BUF_SIZE 2048
#define DELIM "\n"
int main( int argc, char *argv[]){
char buffer[BUF_SIZE];
while ( fgets (buffer, BUF_SIZE - 1, stdin)){
int len = strlen (buffer);
if (buffer[len-1] == '\n' )
buffer[len-1] = 0;
char *querys = index(buffer, ' ' );
char *query = NULL;
if (querys == NULL) continue ;
querys += 1; /* not to include '\t' */
query = strtok (buffer, " " );
while (query){
printf ( "%s\t1\n" , query);
query = strtok (NULL, " " );
}
}
return 0;
}
//---------------------------------------------------------------------------------------
//reducer
#include <stdio.h>
#include <string.h>
#include <stdlib.h>
#define BUFFER_SIZE 1024
#define DELIM "\t"
int main( int argc, char *argv[]){
char strLastKey[BUFFER_SIZE];
char strLine[BUFFER_SIZE];
int count = 0;
*strLastKey = '\0' ;
*strLine = '\0' ;
while ( fgets (strLine, BUFFER_SIZE - 1, stdin) ){
char *strCurrKey = NULL;
char *strCurrNum = NULL;
strCurrKey = strtok (strLine, DELIM);
strCurrNum = strtok (NULL, DELIM); /* necessary to check error but.... */
if ( strLastKey[0] == '\0' ){
strcpy (strLastKey, strCurrKey);
}
if ( strcmp (strCurrKey, strLastKey)) {
printf ( "%s\t%d\n" , strLastKey, count);
count = atoi (strCurrNum);
} else {
count += atoi (strCurrNum);
}
strcpy (strLastKey, strCurrKey);
}
printf ( "%s\t%d\n" , strLastKey, count); /* flush the count */
return 0;
}
（2）C++语言实现
//mapper
#include <stdio.h>
#include <string>
#include <iostream>
using namespace std;
int main(){
string key;
string value = "1" ;
while (cin>>key){
cout<<key<< "\t" <<value<<endl;
}
return 0;
}
//------------------------------------------------------------------------------------------------------------
//reducer
#include <string>
#include <map>
#include <iostream>
#include <iterator>
using namespace std;
int main(){
string key;
string value;
map<string, int > word2count;
map<string, int >::iterator it;
while (cin>>key){
cin>>value;
it = word2count.find(key);
if (it != word2count.end()){
(it->second)++;
}
else {
word2count.insert(make_pair(key, 1));
}
}
for (it = word2count.begin(); it != word2count.end(); ++it){
cout<<it->first<< "\t" <<it->second<<endl;
}
return 0;
}
（3）shell脚本语言实现
简约版，每行一个单词：
$HADOOP_HOME /bin/hadoop jar $HADOOP_HOME /hadoop-streaming .jar \
-input myInputDirs \
-output myOutputDir \
-mapper cat \
-reducer wc
详细版，每行可有多个单词（由史江明编写）： mapper.sh
#! /bin/bash
while read LINE; do
for word in $LINE
do
echo "$word 1"
done
done
reducer.sh
#! /bin/bash
count=0
started=0
word= ""
while read LINE; do
newword=` echo $LINE | cut -d ' ' -f 1`
if [ "$word" != "$newword" ]; then
[ $started - ne 0 ] && echo "$word\t$count"
word=$newword
count=1
started=1
else
count=$(( $count + 1 ))
fi
done
echo "$word\t$count"
（4）Python脚本语言实现
#!/usr/bin/env python
import sys
# maps words to their counts
word2count = {}
# input comes from STDIN (standard input)
for line in sys.stdin:
# remove leading and trailing whitespace
line = line.strip()
# split the line into words while removing any empty strings
words = filter ( lambda word: word, 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 )
#---------------------------------------------------------------------------------------------------------
#!/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()
# 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)
5、常见问题及解决方案
（1）作业总是运行失败，
提示找不多执行程序， 比如“Caused by: java.io.IOException: Cannot run program “/user/hadoop/Mapper”: error=2, No such file or directory”：
可在提交作业时，采用-file选项指定这些文件， 比如上面例子中，可以使用“-file Mapper -file Reducer” 或者 “-file Mapper.py -file Reducer.py”， 这样，Hadoop会将这两个文件自动分发到各个节点上，比如：
$HADOOP_HOME/bin/hadoop jar $HADOOP_HOME/contrib/streaming/hadoop-*-streaming.jar \
-input myInputDirs \
-output myOutputDir \
-mapper Mapper.py\
-reducer Reducerr.py\
-file Mapper.py \
-file Reducer.py
（2）用脚本编写时，第一行需注明脚本解释器，默认是shell （3）如何对Hadoop Streaming程序进行测试？ Hadoop Streaming程序的一个优点是易于测试，比如在Wordcount例子中，可以运行以下命令在本地进行测试：
cat input.txt | python Mapper.py | sort | python Reducer.py
或者
cat input.txt | ./Mapper | sort | ./Reducer
