用python写MapReduce函数

尽管Hadoop框架是用java写的，但是Hadoop程序不限于java，可以用python、C++、ruby等。本例子中直接用python写一个MapReduce实例，而不是用Jython把python代码转化成jar文件。

      例子的目的是统计输入文件的单词的词频。

• 输入：文本文件
• 输出：文本（每行包括单词和单词的词频，两者之间用'\t'隔开）

 

1. Python MapReduce 代码

      使用python写MapReduce的“诀窍”是利用Hadoop流的API，通过STDIN(标准输入)、STDOUT(标准输出)在Map函数和Reduce函数之间传递数据。

      我们唯一需要做的是利用Python的sys.stdin读取输入数据，并把我们的输出传送给sys.stdout。Hadoop流将会帮助我们处理别的任何事情。

1.1 Map阶段：mapper.py

在这里，我们假设把文件保存到hadoop-0.20.2/test/code/mapper.py

#!/usr/bin/env pythonimport sysfor line in sys.stdin:    line = line.strip()    words = line.split()    for word in words:        print "%s\t%s" % (word, 1)

文件从STDIN读取文件。把单词切开，并把单词和词频输出STDOUT。Map脚本不会计算单词的总数，而是输出<word> 1。在我们的例子中，我们让随后的Reduce阶段做统计工作。

为了是脚本可执行，增加mapper.py的可执行权限

chmod +x hadoop-0.20.2/test/code/mapper.py

1.2 Reduce阶段：reducer.py

在这里，我们假设把文件保存到hadoop-0.20.2/test/code/reducer.py

#!/usr/bin/env pythonfrom operator import itemgetterimport syscurrent_word = Nonecurrent_count = 0word = Nonefor line in sys.stdin:    line = line.strip()    word, count = line.split('\t', 1)    try:        count = int(count)    except ValueError:  #count如果不是数字的话，直接忽略掉        continue    if current_word == word:        current_count += count    else:        if current_word:            print "%s\t%s" % (current_word, current_count)        current_count = count        current_word = wordif word == current_word:  #不要忘记最后的输出    print "%s\t%s" % (current_word, current_count)

文件会读取mapper.py 的结果作为reducer.py 的输入，并统计每个单词出现的总的次数，把最终的结果输出到STDOUT。

为了是脚本可执行，增加reducer.py的可执行权限

chmod +x hadoop-0.20.2/test/code/reducer.py

细节：split(chara, m)，第二个参数的作用，下面的例子很给力

str = 'server=mpilgrim&ip=10.10.10.10&port=8080'print str.split('=', 1)[0]  #1表示=只截一次print str.split('=', 1)[1]print str.split('=')[0]print str.split('=')[1]

输出

1

2

3

4

server

mpilgrim&ip=10.10.10.10&port=8080

server

mpilgrim&ip　

1.3 测试代码（cat data | map | sort | reduce）

这里建议大家在提交给MapReduce job之前在本地测试mapper.py 和reducer.py脚本。否则jobs可能会成功执行，但是结果并非自己想要的。

功能性测试mapper.py 和 reducer.py

1

2

3

4

5

6

7

8

9

10

11

12

13

14

[rte@hadoop-0.20.2]$cd test/code

[rte@code]$echo "foo foo quux labs foo bar quux" | ./mapper.py

foo 1

foo 1

quux    1

labs    1

foo 1

bar 1

quux    1

[rte@code]$echo "foo foo quux labs foo bar quux" | ./mapper.py | sort -k1,1 | ./reducer.py

bar 1

foo 3

labs    1

quux    2

 细节：sort -k1,1  参数何意？

-k, -key=POS1[,POS2]     键以pos1开始，以pos2结束

有时候经常使用sort来排序，需要预处理把需要排序的field语言在最前面。实际上这是

完全没有必要的，利用-k参数就足够了。

比如sort all

1

2

3

4

5

1 4

2 3

3 2

4 1

5 0

如果sort -k 2的话，那么执行结果就是

1

2

3

4

5

5 0

4 1

3 2

2 3

1 4

 

2. 在Hadoop上运行python代码

2.1 数据准备

下载以下三个文件的

• Plain Text UTF-8
• Plain Text UTF-8
• Plain Text UTF-8

我把上面三个文件放到hadoop-0.20.2/test/datas/目录下

2.2 运行

把本地的数据文件拷贝到分布式文件系统HDFS中。

bin/hadoop dfs -copyFromLocal /test/datas  hdfs_in

查看

bin/hadoop dfs -ls

结果

1

drwxr-xr-x   - rte supergroup          0 2014-07-05 15:40 /user/rte/hdfs_in

查看具体的文件

bin/hadoop dfs -ls /user/rte/hdfs_in

执行MapReduce job

bin/hadoop jar contrib/streaming/hadoop-*streaming*.jar \-file test/code/mapper.py     -mapper test/code/mapper.py \-file test/code/reducer.py    -reducer test/code/reducer.py \-input /user/rte/hdfs_in/*    -output /user/rte/hdfs_out

实例输出

查看输出结果是否在目标目录/user/rte/hdfs_out

bin/hadoop dfs -ls /user/rte/hdfs_out

输出

1

2

3

Found 2 items

drwxr-xr-x   - rte supergroup          0 2014-07-05 20:51 /user/rte/hdfs_out2/_logs

-rw-r--r--   2 rte supergroup     880829 2014-07-05 20:51 /user/rte/hdfs_out2/part-00000

查看结果

bin/hadoop dfs -cat /user/rte/hdfs_out2/part-00000

输出

以上已经达成目的了，但是可以利用python迭代器和生成器优化

 

3. 利用python的迭代器和生成器优化Mapper 和 Reducer代码

3.1 python中的迭代器和生成器

   看这

3.2 优化Mapper 和 Reducer代码

mapper.py

#!/usr/bin/env pythonimport sysdef read_input(file):    for line in file:        yield line.split()def main(separator='\t'):    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

#!/usr/bin/env pythonfrom operator import itemgetterfrom itertools import groupbyimport sysdef read_mapper_output(file, separator = '\t'):    for line in file:        yield line.rstrip().split(separator, 1)def main(separator = '\t'):    data = read_mapper_output(sys.stdin, separator = separator)    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:            passif __name__ == "__main__":    main()

细节：groupby

from itertools import groupbyfrom operator import itemgetterthings = [('2009-09-02', 11),          ('2009-09-02', 3),          ('2009-09-03', 10),          ('2009-09-03', 4),          ('2009-09-03', 22),          ('2009-09-06', 33)]sss = groupby(things, itemgetter(0))for key, items in sss:    print key    for subitem in items:        print subitem    print '-' * 20

结果

1

2

3

4

5

6

7

8

9

10

11

12

13

>>>

2009-09-02

('2009-09-02', 11)

('2009-09-02', 3)

--------------------

2009-09-03

('2009-09-03', 10)

('2009-09-03', 4)

('2009-09-03', 22)

--------------------

2009-09-06

('2009-09-06', 33)

--------------------

注 

• groupby(things, itemgetter(0)) 以第0列为排序目标
• groupby(things, itemgetter(1))以第1列为排序目标
• groupby(things)以整行为排序目标

4. 参考

python中的split函数中的参数问题

Writing an Hadoop MapReduce Program in Python

shell的sort命令的-k参数