Python实现MapReduce

笔者的机器运行效果如下（输入数据是find的帮助手册，和笔者预期一样，the是最多的）：

--------------------------------------以下是原帖---------------------------------

• 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）
  
  如何使用Hadoop Distributed File System (HDFS)在Ubuntu Linux 建立单节点的 Hadoop 集群
  
  如何使用Hadoop Distributed File System (HDFS)在Ubuntu Linux 建立多节点的 Hadoop 集群
  
  
  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/home/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 /home/hadoop/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/home/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 /home/hadoop/reducer.py
  
  

  #!/usr/bin/env python from operator import itemgetterimport sys # maps words to their countsword2count = {} # input comes from STDINfor 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)        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 examplessorted_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)

  
  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：
  

  ——————————————————————————————————————————————

  \r\n
  

   # very basic test hadoop@ubuntu:~$ echo "foo foo quux labs foo bar quux" | /home/hadoop/mapper.py foo     1 foo     1 quux    1 labs    1 foo     1 bar     1—————————————————————————————————————————————— hadoop@ubuntu:~$ echo "foo foo quux labs foo bar quux" | /home/hadoop/mapper.py | sort | /home/hadoop/reducer.py bar     1 foo     3 labs    1—————————————————————————————————————————————— # using on[object Object]e of the ebooks as example input # (see below on where to get the ebooks) hadoop@ubuntu:~$ cat /tmp/gutenberg/20417-8.txt | /home/hadoop/mapper.py The     1 Project 1 Gutenberg       1 EBook   1 of      1 [...]  (you get the idea) quux    2 quux    1

  
  

  ——————————————————————————————————————————————为了这个例子，我们将需要三种电子书：

  下载他们，并使用us-ascii编码存储 解压后的文件，保存在临时目录，比如/tmp/gutenberg.
  
  

   hadoop@ubuntu:~$ ls -l /tmp/gutenberg/ total 3592 -rw-r--r-- 1 hadoop hadoop  674425 2007-01-22 12:56 20417-8.txt -rw-r--r-- 1 hadoop hadoop 1423808 2006-08-03 16:36 7ldvc10.txt -rw-r--r-- 1 hadoop hadoop 1561677 2004-11-26 09:48 ulyss12.txt hadoop@ubuntu:~$

  在我们运行MapReduce job 前，我们需要将本地的文件复制到HDFS中： hadoop@ubuntu:/usr/local/hadoop$ bin/hadoop dfs -copyFromLocal /tmp/gutenberg gutenberg hadoop@ubuntu:/usr/local/hadoop$ bin/hadoop dfs -ls Found 1 items /user/hadoop/gutenberg  <dir> hadoop@ubuntu:/usr/local/hadoop$ bin/hadoop dfs -ls gutenberg Found 3 items /user/hadoop/gutenberg/20417-8.txt      <r 1>   674425 /user/hadoop/gutenberg/7ldvc10.txt      <r 1>   1423808 /user/hadoop/gutenberg/ulyss12.txt      <r 1>   1561677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 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。  hadoop@ubuntu:/usr/local/hadoop$ bin/hadoop jar contrib/streaming/hadoop-0.19.1-streaming.jar -mapper /home/hadoop/mapper.py -reducer /home/hadoop/reducer.py -input gutenberg/* -output gutenberg-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“-hadoop@ubuntu:/usr/local/hadoop$ bin/hadoop jar contrib/streaming/hadoop-0.19.1-streaming.jar  -mapper ...一个重要的备忘是关于 这个任务将会读取HDFS目录下的HDFS目录下的目录。之前执行的结果如下：hadoop@ubuntu:/usr/local/hadoop$ bin/hadoop jar contrib/streaming/hadoop-0.19.1-streaming.jar -mapper /home/hadoop/mapper.py -reducer /home/hadoop/reducer.py -input gutenberg/* -output gutenberg-output additionalConfSpec_:null null=@@@userJobConfProps_.get(stream.shipped.hadoopstreaming packageJobJar: [/usr/local/hadoop-datastore/hadoop-hadoop/hadoop-unjar54543/] [] /tmp/streamjob54544.jar tmpDir=null [...] INFO mapred.FileInputFormat: Total input paths to process : 7 [...] INFO streaming.StreamJob: getLocalDirs(): [/usr/local/hadoop-datastore/hadoop-hadoop/mapred/local] [...] INFO streaming.StreamJob: Running job: job_200803031615_0021 [...] [...] INFO streaming.StreamJob:  map 0%  reduce 0% [...] INFO streaming.StreamJob:  map 43%  reduce 0% [...] INFO streaming.StreamJob:  map 86%  reduce 0% [...] INFO streaming.StreamJob:  map 100%  reduce 0% [...] INFO streaming.StreamJob:  map 100%  reduce 33% [...] INFO streaming.StreamJob:  map 100%  reduce 70% [...] INFO streaming.StreamJob:  map 100%  reduce 77% [...] INFO streaming.StreamJob:  map 100%  reduce 100% [...] INFO streaming.StreamJob: Job complete: job_200803031615_0021 [...] INFO streaming.StreamJob: Output: gutenberg-output  hadoop@ubuntu:/usr/local/hadoop$ 正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   ，如图：检查结果是否输出并存储在HDFS目录下的中： hadoop@ubuntu:/usr/local/hadoop$ bin/hadoop dfs -ls gutenberg-output Found 1 items /user/hadoop/gutenberg-output/part-00000     <r 1>   903193  2007-09-21 13:00 hadoop@ubuntu:/usr/local/hadoop$ 可以使用 命令检查文件目录 hadoop@ubuntu:/usr/local/hadoop$ bin/hadoop dfs -cat gutenberg-output/part-00000 "(Lo)cra"       1 "1490   1 "1498," 1 "35"    1 "40,"   1 "A      2 "AS-IS".        2 "A_     1 "Absoluti       1 [...] hadoop@ubuntu:/usr/local/hadoop$注意比输出，上面结果的(")符号不是Hadoop插入的。  请参考：http://www.michael-noll.com/wiki/Writing_An_Hadoop_MapReduce_Program_In_Python#What_we_want_to_do