使用Python实现Hadoop MapReduce程序-低调大师

使用Python实现Hadoop MapReduce程序

2017-03-04 599

英文原文：Writing an Hadoop MapReduce Program in Python

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 
#!/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" 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 
#!/usr/bin/env python  
  
from operator import itemgetter  
import sys  
  
current_word = None  
current_count = 0  
word = None  
  
# 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)  
    except ValueError:  
        # count was not a number, so silently  
        # ignore/discard this line  
        continue  
  
    # this IF-switch only works because Hadoop sorts map output  
    # by key (here: word) before it is passed to the reducer  
    if current_word == word:  
        current_count += count  
    else:  
        if current_word:  
            # write result to STDOUT  
            print '%s\t%s' % (current_word, current_count)  
        current_count = count  
        current_word = word  
  
# do not forget to output the last word if needed!  
if current_word == word:  
    print '%s\t%s' % (current_word, current_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：

[plain]view plain copy 
hadoop@derekUbun:/usr/local/hadoop$ echo "foo foo quux labs foo bar quux" | ./mapper.py  
foo      1  
foo      1  
quux     1  
labs     1  
foo      1  
bar      1  
quux     1  
hadoop@derekUbun:/usr/local/hadoop$ echo "foo foo quux labs foo bar quux" |./mapper.py | sort |./reducer.py  
bar     1  
foo     3  
labs    1  
quux    2  

# using one of the ebooks as example input
# (see below on where to get the ebooks)

[plain]view plain copy 
hadoop@derekUbun:/usr/local/hadoop$ cat book/book.txt |./mapper.pysubscribe      1  
to   1  
our      1  
email    1  
newsletter   1  
to   1  
hear     1  
about    1  
new      1  
eBooks.      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 
hadoop@derekUbun:/usr/local/hadoop$ ls -l book  
总用量 636  
-rw-rw-r-- 1 derek derek 649669  3月 12 12:22 book.txt  

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

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 
hadoop@derekUbun:/usr/local/hadoop$hadoop jar contrib/streaming/hadoop-streaming-1.1.2.jar   
-mapper /usr/local/hadoop/mapper.py   
-reducer /usr/local/hadoop/reducer.py   
-input book/*   
-output book-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“-jobconf”选项：

[plain]view plain copy 
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   

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 
bin/hadoop jar contrib/streaming/hadoop-streaming-1.1.2.jar    
-mapper task1/mapper.py    
-file task1/mapper.py    
-reducer task1/reducer.py    
-file task1/reducer.py    
-input url   
-output url-output    
-jobconf mapred.reduce.tasks=3   

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 
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  
13/03/12 16:01:05 WARN streaming.StreamJob: -jobconf option is deprecated, please use -D instead.  
packageJobJar: [/usr/local/hadoop/tmp/hadoop-unjar4835873410426602498/] [] /tmp/streamjob5047485520312501206.jar tmpDir=null  
13/03/12 16:01:06 INFO util.NativeCodeLoader: Loaded the native-hadoop library  
13/03/12 16:01:06 WARN snappy.LoadSnappy: Snappy native library not loaded  
13/03/12 16:01:06 INFO mapred.FileInputFormat: Total input paths to process : 1  
13/03/12 16:01:06 INFO streaming.StreamJob: getLocalDirs(): [/usr/local/hadoop/tmp/mapred/local]  
13/03/12 16:01:06 INFO streaming.StreamJob: Running job: job_201303121448_0010  
13/03/12 16:01:06 INFO streaming.StreamJob: To kill this job, run:  
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  
13/03/12 16:01:06 INFO streaming.StreamJob: Tracking URL: http://localhost:50030/jobdetails.jsp?jobid=job_201303121448_0010  
13/03/12 16:01:07 INFO streaming.StreamJob:  map 0%  reduce 0%  
13/03/12 16:01:10 INFO streaming.StreamJob:  map 100%  reduce 0%  
13/03/12 16:01:17 INFO streaming.StreamJob:  map 100%  reduce 8%  
13/03/12 16:01:18 INFO streaming.StreamJob:  map 100%  reduce 33%  
13/03/12 16:01:19 INFO streaming.StreamJob:  map 100%  reduce 50%  
13/03/12 16:01:26 INFO streaming.StreamJob:  map 100%  reduce 67%  
13/03/12 16:01:27 INFO streaming.StreamJob:  map 100%  reduce 83%  
13/03/12 16:01:28 INFO streaming.StreamJob:  map 100%  reduce 100%  
13/03/12 16:01:29 INFO streaming.StreamJob: Job complete: job_201303121448_0010  
13/03/12 16:01:29 INFO streaming.StreamJob: Output: book-output  
hadoop@derekUbun:/usr/local/hadoop$  

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

可以使用dfs -cat 命令检查文件目录

[plain]view plain copy 
hadoop@derekUbun:/usr/local/hadoop$ hadoop dfs -cat book-output/part-00000  
about   1  
eBooks.     1  
the     1  
to  2  
hadoop@derekUbun:/usr/local/hadoop$   

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 
#!/usr/bin/env python  
"""A more advanced Mapper, using Python iterators and generators."""  
  
import sys  
  
def read_input(file):  
    for line in file:  
        # split the line into words  
        yield line.split()  
  
def main(separator='\t'):  
    # input comes from STDIN (standard input)  
    data = read_input(sys.stdin)  
    for words in data:  
        # 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  
        for word in words:  
            print '%s%s%d' % (word, separator, 1)  
  
if __name__ == "__main__":  
    main()  

reducer.py

[python]view plain copy 
#!/usr/bin/env python  
"""A more advanced Reducer, using Python iterators and generators."""  
  
from itertools import groupby  
from operator import itemgetter  
import sys  
  
def read_mapper_output(file, separator='\t'):  
    for line in file:  
        yield line.rstrip().split(separator, 1)  
  
def main(separator='\t'):  
    # input comes from STDIN (standard input)  
    data = read_mapper_output(sys.stdin, separator=separator)  
    # groupby groups multiple word-count pairs by word,  
    # and creates an iterator that returns consecutive keys and their group:  
    #   current_word - string containing a word (the key)  
    #   group - iterator yielding all ["<current_word>", "<count>"] items  
    for current_word, group in groupby(data, itemgetter(0)):  
        try:  
            total_count = sum(int(count) for current_word, count in group)  
            print "%s%s%d" % (current_word, separator, total_count)  
        except ValueError:  
            # count was not a number, so silently discard this item  
            pass  
  
if __name__ == "__main__":  
    main()  
 

微信关注我们

原文链接：https://yq.aliyun.com/articles/71661

转载内容版权归作者及来源网站所有！

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。

[YARN] 2.2 GB of 2.1 GB virtual memory used. Killing container.

Spark程序在yarn的集群运行，出现Current usage: 105.9 MB of 1 GB physical memory used; 2.2 GB of 2.1 GB virtual memory used. KillingContainer.错误。我的运行环境是虚拟机，每个虚拟机分配1G的物理内存。但是这个错误跟物理内存无关，是虚拟内存超了。解决方法：在etc/Hadoop/yarn-site.xml文件中，修改检查虚拟内存的属性为false，如下： <property> <name>yarn.nodemanager.vmem-check-enabled</name> <value>false</value> </property>

2017-03-03

673

技术与架构，解析如何将大数据最快落地到实践

免费开通大数据服务：https://www.aliyun.com/product/odps 直播回顾：https://yq.aliyun.com/webinar/history?spm=5176.8067841.wnold.1.rLvSkQ 3月9日14点，业内首个结合技术与应用的在线大数据技术峰会即将展开，届时6位阿里技术大咖与4位行业资深实践者将从技术与业务两个方面，与大家探讨大数据如何最快落地到实践。较为有看点的是：最深入的实践：本次在线峰会上，6个阿里规模的大数据实践将被深入分享，包括大数据平台的性能调优、流式增量计算、持续发布与演进、机器学习平台打造等。同时，在技术分享之外，你还可以与嘉宾进行问答互动，免费的学习机会就在这里！最真实的应用：技术的价值在于赋能业务，然而真正结合起来并不简单，本次峰会上，地产、医疗、电商、社区

2017-03-05

709

发表评论

资源下载

更多资源

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

WebStorm

WebStorm 是jetbrains公司旗下一款JavaScript 开发工具。目前已经被广大中国JS开发者誉为“Web前端开发神器”、“最强大的HTML5编辑器”、“最智能的JavaScript IDE”等。与IntelliJ IDEA同源，继承了IntelliJ IDEA强大的JS部分的功能。