Python實現MapReduce

筆者的機器運行效果如下（輸入數據是find的幫助手冊，和筆者預期一樣，the是最多的）：

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

• 在這個實例中，我將會向大家介紹如何使用Python 爲 Hadoop編寫一個簡單的MapReduce
  

  程序。
  儘管Hadoop 框架是使用Java編寫的但是我們仍然需要使用像C++、Python等語言來實現 Hadoop程序。儘管Hadoop官方網站給的示例程序是使用Jython編寫並打包成Jar文件，這樣顯然造成了不便，其實，不一定非要這樣來實現，我們可以使用Python與Hadoop 關聯進行編程，看看位於/src/examples/python/WordCount.py  的例子，你將瞭解到我在說什麼。
  
  我們想要做什麼？
  
  我們將編寫一個簡單的 MapReduce 程序，使用的是C-Python，而不是Jython編寫後打包成jar包的程序。
  我們的這個例子將模仿 WordCount 並使用Python來實現，例子通過讀取文本文件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，兩者中間使用製表符來想間隔。
  
  先決條件
  
  編寫這個程序之前，你學要架設好Hadoop 集羣，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（同樣適用於其他發行版linux、unix）
  
  如何使用Hadoop Distributed File System (HDFS)在Ubuntu Linux 建立單節點的 Hadoop 集羣
  
  如何使用Hadoop Distributed File System (HDFS)在Ubuntu Linux 建立多節點的 Hadoop 集羣
  
  
  Python的MapReduce代碼
  
  使用Python編寫MapReduce代碼的技巧就在於我們使用了 HadoopStreaming 來幫助我們在Map 和 Reduce間傳遞數據通過STDIN (標準輸入)和STDOUT (標準輸出).我們僅僅使用Python的sys.stdin來輸入數據，使用sys.stdout輸出數據，這樣做是因爲HadoopStreaming會幫我們辦好其他事。這是真的，別不相信！
  
  

  Map: mapper.py

  
  將下列的代碼保存在/home/hadoop/mapper.py中，他將從STDIN讀取數據並將單詞成行分隔開，生成一個列表映射單詞與發生次數的關係：
  注意：要確保這個腳本有足夠權限（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)

  在這個腳本中，並不計算出單詞出現的總數，它將輸出 "<word> 1" 迅速地，儘管<word>可能會在輸入中出現多次，計算是留給後來的Reduce步驟（或叫做程序）來實現。當然你可以改變下編碼風格，完全尊重你的習慣。
  
  

  Reduce: reducer.py

  
  將代碼存儲在/home/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，並輸出結果到STDOUT。
  同樣，要注意腳本權限：chmod +x /home/hadoop/reducer.py
  
  

  #!/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('\\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 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)

  
  測試你的代碼（cat data | map | sort | reduce）
  
  
  我建議你在運行MapReduce job測試前嘗試手工測試你的mapper.py 和 reducer.py腳本，以免得不到任何返回結果
  這裏有一些建議，關於如何測試你的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

  
  

  ——————————————————————————————————————————————
  
  
  
  爲了這個例子，我們將需要三種電子書：

  下載他們，並使用us-ascii編碼存儲 解壓後的文件，保存在臨時目錄，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:~$

  在我們運行MapReduce job 前，我們需要將本地的文件複製到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
  
  
  
  現在，一切準備就緒，我們將在運行Python MapReduce job 在Hadoop集羣上。像我上面所說的，我們使用的是
   幫助我們傳遞數據在Map和Reduce間並通過STDIN和STDOUT，進行標準化輸入輸出。
  
   
   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
  在運行中，如果你想更改Hadoop的一些設置，如增加Reduce任務的數量，你可以使用“-hadoop@ubuntu:/usr/local/hadoop$ bin/hadoop jar contrib/streaming/hadoop-0.19.1-streaming.jar 
   -mapper ...
  
  一個重要的備忘是關於 
  這個任務將會讀取HDFS目錄下的HDFS目錄下的
  目錄。
  之前執行的結果如下：
  
  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信息。
  當Hadoop集羣在執行時，你可以使用瀏覽器訪問   ，如圖：
  
  
  
  
  檢查結果是否輸出並存儲在HDFS目錄下的中：
  
   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 命令檢查文件目錄
  
   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$
  
  注意比輸出，上面結果的(")符號不是Hadoop插入的。
  
  
   
  
   請參考：
  
  
  http://www.michael-noll.com/wiki/Writing_An_Hadoop_MapReduce_Program_In_Python#What_we_want_to_do