python写mappreduce

小fish

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