当前位置:首页 > 开发 > 编程语言 > Python > 正文

python写mappreduce

发表于: 2014-11-11   作者:blackproof   来源:转载   浏览次数:
摘要: python写mr比java要省事的多 下面介绍个简单的例子 这个就是要的mapper import sys,urlparse,os from subscribe_clean import * from subscribe_ad import * clean=subScribeClean(subscribeMonitorCompany()) for line in sys.

python写mr比java要省事的多

下面介绍个简单的例子

这个就是要的mapper

import sys,urlparse,os
from subscribe_clean import *
from subscribe_ad import *

clean=subScribeClean(subscribeMonitorCompany()) 

for line in sys.stdin:
    try:
        rs = clean.analyzeData(line)
        if rs==None or len(rs)<=0:
            continue
        print '%s' % (clean.cvtToStr(rs))
    except Exception as e:
        continue

 

在运行时,用hadoop streaming

hadoop jar /home/q/hadoop/hadoop-2.2.0/share/hadoop/tools/lib/hadoop-streaming-2.2.0.jar \
 -D mapred.reduce.tasks=0 \
 -D mapred.job.queue.name=wirelessdev \
 -D mapred.job.name=logclean_hoteltts_${log_day}_dirk.zhang\
 -D mapred.child.java.opts=-Xmx8000m -D mapred.min.split.size=6291456 -D mapred.max.split.size=6291456 -D mapreduce.map.memory.mb=8192 -D mapreduce.map.java.opts='-Xmx8000M' -D mapred.child.map.java.opts='-Xmx8000M' \
 -D mapred.output.compress=true -D mapred.output.compression.codec=org.apache.hadoop.io.compress.GzipCodec -D mapred.output.compression.type=BLOCK \
 -file sub_mc_clean_mapper.py \
 -input ${hdfs_path2} \
 -output ${hive_path2} \
 -mapper sub_mc_clean_mapper.py \

 

在用python输出时,经常出现输出多了空行,这样将生成的文件导入hive,会报错,需要在输出的时候加上

strip()函数

 

 转一个n人的帖子:

http://dongxicheng.org/mapreduce/hadoop-streaming-programming/

1、概述

 

Hadoop Streaming是Hadoop提供的一个编程工具,它允许用户使用任何可执行文件或者脚本文件作为Mapper和Reducer,例如:

采用shell脚本语言中的一些命令作为mapper和reducer(cat作为mapper,wc作为reducer)

$HADOOP_HOME/bin/hadoop  jar $HADOOP_HOME/contrib/streaming/hadoop-*-streaming.jar \

-input myInputDirs \

-output myOutputDir \

-mapper cat \

-reducer wc

本文安排如下,第二节介绍Hadoop Streaming的原理,第三节介绍Hadoop Streaming的使用方法,第四节介绍Hadoop Streaming的程序编写方法,在这一节中,用C++、C、shell脚本 和python实现了WordCount作业,第五节总结了常见的问题。文章最后给出了程序下载地址。(本文内容基于Hadoop-0.20.2版本)

(注:如果你采用的语言为C或者C++,也可以使用Hadoop Pipes,具体可参考这篇文章:Hadoop Pipes编程。)

关于Hadoop Streaming高级编程方法,可参考这篇文章:Hadoop Streaming高级编程Hadoop编程实例

2、Hadoop Streaming原理

mapper和reducer会从标准输入中读取用户数据,一行一行处理后发送给标准输出。Streaming工具会创建MapReduce作业,发送给各个tasktracker,同时监控整个作业的执行过程。

如果一个文件(可执行或者脚本)作为mapper,mapper初始化时,每一个mapper任务会把该文件作为一个单独进程启动,mapper任务运行时,它把输入切分成行并把每一行提供给可执行文件进程的标准输入。 同时,mapper收集可执行文件进程标准输出的内容,并把收到的每一行内容转化成key/value对,作为mapper的输出。 默认情况下,一行中第一个tab之前的部分作为key,之后的(不包括tab)作为value如果没有tab,整行作为key值,value值为null。

对于reducer,类似。

以上是Map/Reduce框架和streaming mapper/reducer之间的基本通信协议。

3、Hadoop Streaming用法

Usage: $HADOOP_HOME/bin/hadoop jar \

$HADOOP_HOME/contrib/streaming/hadoop-*-streaming.jar [options]

options:

(1)-input:输入文件路径

(2)-output:输出文件路径

(3)-mapper:用户自己写的mapper程序,可以是可执行文件或者脚本

(4)-reducer:用户自己写的reducer程序,可以是可执行文件或者脚本

(5)-file:打包文件到提交的作业中,可以是mapper或者reducer要用的输入文件,如配置文件,字典等。

(6)-partitioner:用户自定义的partitioner程序

(7)-combiner:用户自定义的combiner程序(必须用java实现)

(8)-D:作业的一些属性(以前用的是-jonconf),具体有:
1)mapred.map.tasks:map task数目
2)mapred.reduce.tasks:reduce task数目
3)stream.map.input.field.separator/stream.map.output.field.separator: map task输入/输出数
据的分隔符,默认均为\t。
4)stream.num.map.output.key.fields:指定map task输出记录中key所占的域数目
5)stream.reduce.input.field.separator/stream.reduce.output.field.separator:reduce task输入/输出数据的分隔符,默认均为\t。
6)stream.num.reduce.output.key.fields:指定reduce task输出记录中key所占的域数目
另外,Hadoop本身还自带一些好用的Mapper和Reducer:
(1)    Hadoop聚集功能
Aggregate提供一个特殊的reducer类和一个特殊的combiner类,并且有一系列的“聚合器”(例如“sum”,“max”,“min”等)用于聚合一组value的序列。用户可以使用Aggregate定义一个mapper插件类,这个类用于为mapper输入的每个key/value对产生“可聚合项”。Combiner/reducer利用适当的聚合器聚合这些可聚合项。要使用Aggregate,只需指定“-reducer aggregate”。
(2)字段的选取(类似于Unix中的‘cut’)
Hadoop的工具类org.apache.hadoop.mapred.lib.FieldSelectionMapReduc帮助用户高效处理文本数据,就像unix中的“cut”工具。工具类中的map函数把输入的key/value对看作字段的列表。 用户可以指定字段的分隔符(默认是tab),可以选择字段列表中任意一段(由列表中一个或多个字段组成)作为map输出的key或者value。 同样,工具类中的reduce函数也把输入的key/value对看作字段的列表,用户可以选取任意一段作为reduce输出的key或value。

4、Mapper和Reducer实现

本节试图用尽可能多的语言编写Mapper和Reducer,包括Java,C,C++,Shell脚本,python等(初学者运行第一个程序时,务必要阅读第5部分 “常见问题及解决方案”!!!!)。

由于Hadoop会自动解析数据文件到Mapper或者Reducer的标准输入中,以供它们读取使用,所有应先了解各个语言获取标准输入的方法。

(1)    Java语言:

见Hadoop自带例子

(2)    C++语言

1
2
3
4
5
string key;
while (cin>>key){
   cin>>value;
    ….
}

(3)  C语言

1
2
3
4
5
char buffer[BUF_SIZE];
while ( fgets (buffer, BUF_SIZE - 1, stdin)){
   int len = strlen (buffer);
  
}

(4)  Shell脚本

管道

(5)  Python脚本

1
2
3
import  sys
for  line  in  sys.stdin:
.......

为了说明各种语言编写Hadoop Streaming程序的方法,下面以WordCount为例,WordCount作业的主要功能是对用户输入的数据中所有字符串进行计数。

(1)C语言实现

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
//mapper
#include <stdio.h>
#include <string.h>
#include <stdlib.h>
 
#define BUF_SIZE        2048
#define DELIM   "\n"
 
int main( int argc, char *argv[]){
      char buffer[BUF_SIZE];
      while ( fgets (buffer, BUF_SIZE - 1, stdin)){
             int len = strlen (buffer);
             if (buffer[len-1] == '\n' )
              buffer[len-1] = 0;
 
             char *querys  = index(buffer, ' ' );
             char *query = NULL;
             if (querys == NULL) continue ;
             querys += 1; /*  not to include '\t' */
 
             query = strtok (buffer, " " );
             while (query){
                    printf ( "%s\t1\n" , query);
                    query = strtok (NULL, " " );
             }
      }
      return 0;
}
//---------------------------------------------------------------------------------------
//reducer
#include <stdio.h>
#include <string.h>
#include <stdlib.h>
 
#define BUFFER_SIZE     1024
#define DELIM   "\t"
 
int main( int argc, char *argv[]){
  char strLastKey[BUFFER_SIZE];
  char strLine[BUFFER_SIZE];
  int count = 0;
 
  *strLastKey = '\0' ;
  *strLine = '\0' ;
 
  while ( fgets (strLine, BUFFER_SIZE - 1, stdin) ){
    char *strCurrKey = NULL;
    char *strCurrNum = NULL;
 
    strCurrKey  = strtok (strLine, DELIM);
    strCurrNum = strtok (NULL, DELIM); /* necessary to check error but.... */
 
    if ( strLastKey[0] == '\0' ){
      strcpy (strLastKey, strCurrKey);
    }
 
    if ( strcmp (strCurrKey, strLastKey)) {
      printf ( "%s\t%d\n" , strLastKey, count);
      count = atoi (strCurrNum);
    } else {
      count += atoi (strCurrNum);
    }
    strcpy (strLastKey, strCurrKey);
 
  }
  printf ( "%s\t%d\n" , strLastKey, count); /* flush the count */
  return 0;
}

(2)C++语言实现

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
//mapper
#include <stdio.h>
#include <string>
#include <iostream>
using namespace std;
 
int main(){
         string key;
         string value = "1" ;
         while (cin>>key){
                 cout<<key<< "\t" <<value<<endl;
         }
         return 0;
}
//------------------------------------------------------------------------------------------------------------
//reducer
#include <string>
#include <map>
#include <iostream>
#include <iterator>
using namespace std;
int main(){
         string key;
         string value;
         map<string, int > word2count;
         map<string, int >::iterator it;
         while (cin>>key){
                 cin>>value;
                 it = word2count.find(key);
                 if (it != word2count.end()){
                         (it->second)++;
                 }
                 else {
                         word2count.insert(make_pair(key, 1));
                 }
         }
 
         for (it = word2count.begin(); it != word2count.end(); ++it){
                 cout<<it->first<< "\t" <<it->second<<endl;
         }
         return 0;
}

(3)shell脚本语言实现
简约版,每行一个单词:

1
2
3
4
5
$HADOOP_HOME /bin/hadoop  jar $HADOOP_HOME /hadoop-streaming .jar \
     -input myInputDirs \
     -output myOutputDir \
     -mapper cat \
    -reducer  wc

详细版,每行可有多个单词(由史江明编写): mapper.sh

1
2
3
4
5
6
7
#! /bin/bash
while read LINE; do
   for word in $LINE
   do
     echo "$word 1"
   done
done

reducer.sh

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
#! /bin/bash
count=0
started=0
word= ""
while read LINE; do
   newword=` echo $LINE | cut -d ' '  -f 1`
   if [ "$word" != "$newword" ]; then
     [ $started - ne 0 ] && echo "$word\t$count"
     word=$newword
     count=1
     started=1
   else
     count=$(( $count + 1 ))
   fi
done
echo "$word\t$count"

(4)Python脚本语言实现

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
#!/usr/bin/env python
 
import sys
 
# maps words to their counts
word2count = {}
 
# input comes from STDIN (standard input)
for line in sys.stdin:
     # remove leading and trailing whitespace
     line = line.strip()
     # split the line into words while removing any empty strings
     words = filter ( lambda word: word, 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 )
#---------------------------------------------------------------------------------------------------------
#!/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()
     # 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)

5、常见问题及解决方案

(1)作业总是运行失败,

提示找不多执行程序, 比如“Caused by: java.io.IOException: Cannot run program “/user/hadoop/Mapper”: error=2, No such file or directory”:

可在提交作业时,采用-file选项指定这些文件, 比如上面例子中,可以使用“-file Mapper -file Reducer” 或者 “-file Mapper.py -file Reducer.py”, 这样,Hadoop会将这两个文件自动分发到各个节点上,比如:

$HADOOP_HOME/bin/hadoop  jar $HADOOP_HOME/contrib/streaming/hadoop-*-streaming.jar \

-input myInputDirs \

-output myOutputDir \

-mapper Mapper.py\

-reducer Reducerr.py\

-file Mapper.py \

-file Reducer.py

(2)用脚本编写时,第一行需注明脚本解释器,默认是shell   (3)如何对Hadoop Streaming程序进行测试?   Hadoop Streaming程序的一个优点是易于测试,比如在Wordcount例子中,可以运行以下命令在本地进行测试:

cat input.txt | python Mapper.py | sort | python Reducer.py

或者

cat input.txt | ./Mapper | sort | ./Reducer

 

python写mappreduce

  • 0

    开心

    开心

  • 0

    板砖

    板砖

  • 0

    感动

    感动

  • 0

    有用

    有用

  • 0

    疑问

    疑问

  • 0

    难过

    难过

  • 0

    无聊

    无聊

  • 0

    震惊

    震惊

编辑推荐
Python提供了许多Module,通过这些Module,可以很简单的做一些工作。比如,要获得cloga这个词在百度
‍格式化‍ Python有一个语言定义的一组标准格式的规则,被称为PEP8。如果您正在浏览Python项目的提
来自http://www.poluoluo.com/jzxy/201210/183913.html Python提供了许多Module,通过这些Module,
给一个不太懂电脑但会编辑管理很多文件的老总写的工具程序,查找几天前编辑的文件并导入到一个csv文
#!/usr/bin/python #!_*_conding:gbk_*_ import threading import time def myfunc(): nowtime=time
先编写hello.py,实现Web应用程序的WSGI处理函数: # hello.py def application(environ, start_res
前边我们学习了一下Python下如何读取一个文件的基本操作,学会了read和readline两个函数,本节我们
最近开始学Python,感觉挺好玩的,既有脚本语言的灵活性,又有丰富的类库与面向对象的特点,开发起
最近在研究怎么样做个自动发帖器,要完成这个工具难度蛮大的,验证码就是一个大问题(还没有想到解决
版权声明 请尊重原创作品。转载请保持文章完整性,并以超链接形式注明原始作者“tingsking18”和主
版权所有 IT知识库 CopyRight © 2009-2015 IT知识库 IT610.com , All Rights Reserved. 京ICP备09083238号