使用Python實作Hadoop MapReduce程式

盡管hadoop 架構是使用java編寫的但是我們仍然需要使用像c++、python等語言來實作 hadoop程式。盡管hadoop官方網站給的示例程式是使用jython編寫并打包成jar檔案，這樣顯然造成了不便，其實，不一定非要這樣來實作，我們可以使用python與hadoop 關聯進行程式設計，看看位于/src/examples/python/wordcount.py  的例子，你将了解到我在說什麼。

我們想要做什麼？

我們将編寫一個簡單的 mapreduce 程式，使用的是c-python，而不是jython編寫後打包成jar包的程式。

我們的這個例子将模仿 wordcount 并使用python來實作，例子通過讀取文本檔案來統計出單詞的出現次數。結果也以文本形式輸出，每一行包含一個單詞和單詞出現的次數，兩者中間使用制表符來想間隔。

先決條件

編寫這個程式之前，你學要架設好hadoop 叢集，這樣才能不會在後期工作抓瞎。如果你沒有架設好，那麼在後面有個簡明教程來教你在ubuntu linux 上搭建（同樣适用于其他發行版linux、unix）

python的mapreduce代碼

使用python編寫mapreduce代碼的技巧就在于我們使用了 hadoopstreaming 來幫助我們在map 和 reduce間傳遞資料通過stdin (标準輸入)和stdout (标準輸出).我們僅僅使用python的sys.stdin來輸入資料，使用sys.stdout輸出資料，這樣做是因為hadoopstreaming會幫我們辦好其他事。這是真的，别不相信！

map: mapper.py

将下列的代碼儲存在/usr/local/hadoop/mapper.py中，他将從stdin讀取資料并将單詞成行分隔開，生成一個清單映射單詞與發生次數的關系：

注意：要確定這個腳本有足夠權限（chmod +x 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)  

在這個腳本中，并不計算出單詞出現的總數，它将輸出 "<word> 1" 迅速地，盡管<word>可能會在輸入中出現多次，計算是留給後來的reduce步驟（或叫做程式）來實作。當然你可以改變下編碼風格，完全尊重你的習慣。reduce: reducer.py

将代碼存儲在/usr/local/hadoop/reducer.py 中，這個腳本的作用是從mapper.py 的stdin中讀取結果，然後計算每個單詞出現次數的總和，并輸出結果到stdout。

同樣，要注意腳本權限：chmod +x reducer.py

from operator import itemgetter  

current_word = none  

current_count = 0  

word = none  

# input comes from stdin  

    # 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)  

測試你的代碼（cat data | map | sort | reduce）

我建議你在運作mapreduce job測試前嘗試手工測試你的mapper.py 和 reducer.py腳本，以免得不到任何傳回結果

這裡有一些建議，關于如何測試你的map和reduce的功能：

hadoop@derekubun:/usr/local/hadoop$ echo "foo foo quux labs foo bar quux" | ./mapper.py  

foo      1  

quux     1  

labs     1  

bar      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)

hadoop@derekubun:/usr/local/hadoop$ cat book/book.txt |./mapper.pysubscribe      1  

to   1  

our      1  

email    1  

newsletter   1  

hear     1  

about    1  

new      1  

ebooks.      1  

在hadoop平台上運作python腳本

為了這個例子，我們将需要一本電子書，把它放在/usr/local/hadpoop/book/book.txt之下

hadoop@derekubun:/usr/local/hadoop$ ls -l book  

總用量 636  

-rw-rw-r-- 1 derek derek 649669  3月 12 12:22 book.txt  

複制本地資料到hdfs

在我們運作mapreduce job 前，我們需要将本地的檔案複制到hdfs中：

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  

執行 mapreduce job現在，一切準備就緒，我們将在運作python mapreduce job 在hadoop叢集上。像我上面所說的，我們使用的是hadoopstreaming 幫助我們傳遞資料在map和reduce間并通過stdin和stdout，進行标準化輸入輸出。

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  

在運作中，如果你想更改hadoop的一些設定，如增加reduce任務的數量，你可以使用“-jobconf”選項：

-jobconf mapred.reduce.tasks=4  

-output book-output   

如果上面兩個運作出錯，請參考下面一段代碼。注意，重新運作，需要删除dfs中的output檔案

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   

一個重要的備忘是關于hadoop does not honor mapred.map.tasks 這個任務将會讀取hdfs目錄下的book并處理他們，将結果存儲在獨立的結果檔案中，并存儲在hdfs目錄下的book-output目錄。之前執行的結果如下：

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$  

如你所見到的上面的輸出結果，hadoop 同時還提供了一個基本的web接口顯示統計結果和資訊。

當hadoop叢集在執行時，你可以使用浏覽器通路 http://localhost:50030/ ：

檢查結果是否輸出并存儲在hdfs目錄下的book-output中：

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  

可以使用dfs -cat 指令檢查檔案目錄

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的兩個修改版本:

mapper.py

"""a more advanced mapper, using python iterators and generators."""  

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:  

        for word in words:  

            print '%s%s%d' % (word, separator, 1)  

if __name__ == "__main__":  

    main()  

reducer.py

"""a more advanced reducer, using python iterators and generators."""  

from itertools import groupby  

def read_mapper_output(file, separator='\t'):  

        yield line.rstrip().split(separator, 1)  

    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