Python结合Shell/Hadoop实现MapReduce

wangluo010

　　基本流程为：
　　cat data | map | sort | reduce
　　cat devProbe | ./mapper.py | sort| ./reducer.py
　　echo "foo foo quux labs foo bar quux" | ./mapper.py | sort -k1,1 | ./reducer.py
　　# -k, -key=POS1[,POS2]     键以pos1开始，以pos2结束
　　如不执行下述命令，可以再py文件前加上python调用
　　chmod +x mapper.py
　　chmod +x reducer.py
　　对于分布式环境下，可以使用以下命令：
　　hadoop jar /[YOUR_PATH]/hadoop/tools/lib/hadoop-streaming-2.6.0-cdh5.4.4.jar \
　　-file mapper.py     -mapper mapper.py \
　　-file reducer.py    -reducer reducer.py \
　　-input [IN_FILE]    -output [OUT_DIR]
　　mapper.py
　　

#!/usr/bin/python　　
#
-*- coding: UTF-8 -*-　　

　　
__author__ = 'Manhua'
　　

　　
import sys
　　
for line in sys.stdin:
　　
line = line.strip()
　　
item = line.split('`')
　　
print "%s\t%s" % (item[0]+'`'+item[1], 1)
　　

　　reducer.py
　　

#!/usr/bin/python　　
#
-*- coding: UTF-8 -*-　　

　　
__author__ = 'Manhua'
　　

　　

　　
import sys
　　

　　
current_word = None
　　
current_count = 0
　　
word = None
　　

　　
for line in sys.stdin:
　　
line = line.strip()
　　
word, count = line.split('\t', 1)
　　
try:
　　
count = int(count)
　　
except ValueError:  #count如果不是数字的话，直接忽略掉
　　
continue
　　
if current_word == word:
　　
current_count += count
　　
else:
　　
if current_word:
　　
print "%s\t%s" % (current_word, current_count)
　　
current_count = count
　　
current_word = word
　　

　　
if word == current_word:  #不要忘记最后的输出
　　
print "%s\t%s" % (current_word, current_count)