用python写MapReduce函数——以WordCount为例

依然饭跑跑

　　尽管Hadoop框架是用java写的，但是Hadoop程序不限于java，可以用python、C++、ruby等。本例子中直接用python写一个MapReduce实例，而不是用Jython把python代码转化成jar文件。
　　例子的目的是统计输入文件的单词的词频。

• 输入：文本文件
  
• 输出：文本（每行包括单词和单词的词频，两者之间用'\t'隔开）
  

　　
　　1. Python MapReduce 代码
　　使用python写MapReduce的“诀窍”是利用Hadoop流的API，通过STDIN(标准输入)、STDOUT(标准输出)在Map函数和Reduce函数之间传递数据。
　　我们唯一需要做的是利用Python的sys.stdin读取输入数据，并把我们的输出传送给sys.stdout。Hadoop流将会帮助我们处理别的任何事情。
　　1.1 Map阶段：mapper.py
　　在这里，我们假设把文件保存到hadoop-0.20.2/test/code/mapper.py



#!/usr/bin/env python
import sys
for line in sys.stdin:
line = line.strip()
words = line.split()
for word in words:
print "%s\t%s" % (word, 1)
　　文件从STDIN读取文件。把单词切开，并把单词和词频输出STDOUT。Map脚本不会计算单词的总数，而是输出 1。在我们的例子中，我们让随后的Reduce阶段做统计工作。
　　为了是脚本可执行，增加mapper.py的可执行权限



chmod +x hadoop-0.20.2/test/code/mapper.py
　　1.2 Reduce阶段：reducer.py
　　在这里，我们假设把文件保存到hadoop-0.20.2/test/code/reducer.py



#!/usr/bin/env python
from operator import itemgetter
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)
　　文件会读取mapper.py 的结果作为reducer.py 的输入，并统计每个单词出现的总的次数，把最终的结果输出到STDOUT。
　　为了是脚本可执行，增加reducer.py的可执行权限



chmod +x hadoop-0.20.2/test/code/reducer.py
　　细节：split(chara, m)，第二个参数的作用，下面的例子很给力



str = 'server=mpilgrim&ip=10.10.10.10&port=8080'
print str.split('=', 1)[0]  #1表示=只截一次
print str.split('=', 1)[1]
print str.split('=')[0]
print str.split('=')[1]
　　输出



server
mpilgrim&ip=10.10.10.10&port=8080
server
mpilgrim&ip　
　　1.3 测试代码（cat data | map | sort | reduce）
　　这里建议大家在提交给MapReduce job之前在本地测试mapper.py 和reducer.py脚本。否则jobs可能会成功执行，但是结果并非自己想要的。
　　功能性测试mapper.py 和 reducer.py



[rte@hadoop-0.20.2]$cd test/code
[rte@code]$echo "foo foo quux labs foo bar quux" | ./mapper.py
foo1
foo1
quux1
labs1
foo1
bar1
quux1
[rte@code]$echo "foo foo quux labs foo bar quux" | ./mapper.py | sort -k1,1 | ./reducer.py
bar1
foo3
labs1
quux2

　　 细节：sort -k1,1  参数何意？
　　-k, -key=POS1[,POS2]     键以pos1开始，以pos2结束
　　有时候经常使用sort来排序，需要预处理把需要排序的field语言在最前面。实际上这是
　　完全没有必要的，利用-k参数就足够了。
　　比如sort all



1 4
2 3
3 2
4 1
5 0
　　如果sort -k 2的话，那么执行结果就是



5 0
4 1
3 2
2 3
1 4

　　
　　2. 在Hadoop上运行python代码
　　2.1 数据准备
　　下载以下三个文件的

• Plain Text UTF-8
  
• Plain Text UTF-8
  
• Plain Text UTF-8
  

　　我把上面三个文件放到hadoop-0.20.2/test/datas/目录下
　　2.2 运行
　　把本地的数据文件拷贝到分布式文件系统HDFS中。



bin/hadoop dfs -copyFromLocal /test/datas  hdfs_in
　　查看



bin/hadoop dfs -ls
　　结果



drwxr-xr-x   - rte supergroup          0 2014-07-05 15:40 /user/rte/hdfs_in

　　查看具体的文件



bin/hadoop dfs -ls /user/rte/hdfs_in
　　执行MapReduce job



bin/hadoop jar contrib/streaming/hadoop-*streaming*.jar \
-file test/code/mapper.py     -mapper test/code/mapper.py \
-file test/code/reducer.py    -reducer test/code/reducer.py \
-input /user/rte/hdfs_in/*    -output /user/rte/hdfs_out
　　实例输出

　　查看输出结果是否在目标目录/user/rte/hdfs_out



bin/hadoop dfs -ls /user/rte/hdfs_out
　　输出



Found 2 items
drwxr-xr-x   - rte supergroup          0 2014-07-05 20:51 /user/rte/hdfs_out2/_logs
-rw-r--r--   2 rte supergroup     880829 2014-07-05 20:51 /user/rte/hdfs_out2/part-00000

　　查看结果



bin/hadoop dfs -cat /user/rte/hdfs_out2/part-00000
　　输出

　　以上已经达成目的了，但是可以利用python迭代器和生成器优化
　　
　　3. 利用python的迭代器和生成器优化Mapper 和 Reducer代码
　　3.1 python中的迭代器和生成器
　　 看这
　　3.2 优化Mapper 和 Reducer代码
　　mapper.py



#!/usr/bin/env python
import sys
def read_input(file):
for line in file:
yield line.split()
def main(separator='\t'):
data = read_input(sys.stdin)
for words in data:
for word in words:
print "%s%s%d" % (word, separator, 1)
if __name__ == "__main__":
main()
　　reducer.py



#!/usr/bin/env python
from operator import itemgetter
from itertools import groupby
import sys
def read_mapper_output(file, separator = '\t'):
for line in file:
yield line.rstrip().split(separator, 1)
def main(separator = '\t'):
data = read_mapper_output(sys.stdin, separator = separator)
for current_word, group in groupby(data, itemgetter(0)):
try:
total_count = sum(int(count) for current_word, count in group)
print "%s%s%d" % (current_word, separator, total_count)
except valueError:
pass
if __name__ == "__main__":
main()

　　细节：groupby



from itertools import groupby
from operator import itemgetter
things = [('2009-09-02', 11),
('2009-09-02', 3),
('2009-09-03', 10),
('2009-09-03', 4),
('2009-09-03', 22),
('2009-09-06', 33)]
sss = groupby(things, itemgetter(0))
for key, items in sss:
print key
for subitem in items:
print subitem
print '-' * 20
　　结果



>>>
2009-09-02
('2009-09-02', 11)
('2009-09-02', 3)
--------------------
2009-09-03
('2009-09-03', 10)
('2009-09-03', 4)
('2009-09-03', 22)
--------------------
2009-09-06
('2009-09-06', 33)
--------------------

　　注

• groupby(things, itemgetter(0)) 以第0列为排序目标
  
• groupby(things, itemgetter(1))以第1列为排序目标
  
• groupby(things)以整行为排序目标
  

　　4. 参考
　　python中的split函数中的参数问题
　　Writing an Hadoop MapReduce Program in Python
　　shell的sort命令的-k参数