首页 >> 科技 >>列表

Hadoop实践之Python(一)(原创)

网络整理 2020-01-13 22:11:03 作者:寂寞好了

关于hadoop,建议大家在自己的linux上面跟着网上的教程搭建一次单节点和多节点的hadoop平台,亦可参考Hadoop安装教程_单机/伪分布式配置。关于mapreduce,我是新手,只能从“分而治之”的角度来考虑,首先“map”也就是”分”——数据分割,然后“reduce”对"map"处理后的结果进一步的运算,这里给出的例子是一般的hadoop入门程序“WordCount”,就是首先写一个map程序用来将输入的字符串分割成单个的单词,然后reduce这些单个的单词,相同的单词就对其进行计数,不同的单词分别输出,结果输出每一个单词出现的频数。

注意:关于数据的输入输出是通过sys.stdin(系统标准输入)和sys.stdout(系统标准输出)来控制数据的读入与输出。所有的脚本执行之前都需要修改权限,否则没有执行权限,例如下面的脚本创建之前使用“chmod +x mapper.py”

mapper.py#!/usr/bin/env python# ($HADOOP_HOME/mapper.py)import sysfor line in sys.stdin: # 遍历读入数据的每一行 line = line.strip() # 将行尾行首的空格去除 words = line.split() #按空格将句子分割成单个单词 for word in words: print '%st%s' %(word, 1)reducer.py#!/usr/bin/env python# ($HADOOP_HOME/reducer.py)from operator import itemgetterimport syscurrent_word = None # 为当前单词current_count = 0 # 当前单词频数word = Nonefor line in sys.stdin: words = line.strip() # 去除字符串首尾的空白字符 word, count = words.split('t') # 按照制表符分隔单词和数量 try: count = int(count) # 将字符串类型的‘1’转换为整型1 except ValueError: continue if current_word == word: # 如果当前的单词等于读入的单词 current_count += count # 单词频数加1 else: if current_word: # 如果当前的单词不为空则打印其单词和频数 print '%st%s' %(current_word, current_count) current_count = count # 否则将读入的单词赋值给当前单词,且更新频数 current_word = wordif current_word == word: print '%st%s' %(current_word, current_count)查看输出结果 cd $HADOOP_HOME echo "foo foo quux labs foo bar zoo zoo hying" | ./mapper.py | sort -k 1,1 | ./reducer.py # echo是将后面“foo ****”字符串输出,并利用管道符“|”将输出数据作为mapper.py这个脚本的输入数据,并将mapper.py的数据输入到reducer.py中,其中参数sort -k 1,1是将reducer的输出内容按照第一列的第一个字母的ASCII码值进行升序排序

下面看一些脚本的输出结果:

让Python代码在hadoop上跑起来!

一、准备输入数据

接下来,先下载三本书:

mkdir -p tmp/gutenberg cd tmp/gutenberg wget wget wget

然后把这三本书上传到hdfs文件系统上:

hdfs dfs -mkdir ./input # 在hdfs上的该用户目录下创建一个输入文件的文件夹hdfs dfs -put ./tmp/gutenberg/*.txt ./input # 上传文档到hdfs上的输入文件夹中

寻找你的streaming的jar文件存放地址,注意2.6的版本放到share目录下了,可以进入hadoop安装目录寻找该文件:

cd $HADOOP_HOMEfind ./ -name "*streaming*"

由于这个文件的路径比较长,因此我们可以将它写入到环境变量:

vi ~/.bashrc # 打开环境变量配置文件# 在里面写入streaming路径export STREAM=$HADOOP_HOME/share/hadoop/tools/lib/hadoop-streaming-*.jarsource ~/.bashrc

通过streaming接口运行脚本

hadoop jar $STREAM -files ./mapper.py,./reducer.py -mapper ./mapper.py -reducer ./reducer.py -input ./input/gutenberg*.txt -output ./output

就会complete啦,你就可以通过如下方式查看计数结果


再次,感谢以下文档的支持:
让python在hadoop上跑起来
streaming介绍

上海联通信息港 - 为网友提供互联网每日热点内容
上海联通信息港是一个自媒体内容聚合分享平台,为网友提供互联网每日新闻和热点内容分享,今日看点新闻头条增长知识!