前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
社区首页 >专栏 >如何使用Python为Hadoop编写一个简单的MapReduce程序

如何使用Python为Hadoop编写一个简单的MapReduce程序

作者头像
MachineLP
发布于 2018-01-09 07:33:55
发布于 2018-01-09 07:33:55
2.2K00
代码可运行
举报
文章被收录于专栏:小鹏的专栏小鹏的专栏
运行总次数:0
代码可运行

How to Install Hadoop in Stand-Alone Mode on Ubuntu 16.04

如何使用PythonHadoop编写一个简单的MapReduce程序。

尽管Hadoop框架是使用Java编写的但是我们仍然需要使用像C++、Python等语言来实现Hadoop程序。尽管Hadoop官方网站给的示例程序是使用Jython编写并打包成Jar文件,这样显然造成了不便,其实,不一定非要这样来实现,我们可以使用Python与Hadoop 关联进行编程,看看位于/src/examples/python/WordCount.py  的例子,你将了解到我在说什么。

我们想要做什么?

我们将编写一个简单的MapReduce 程序,使用的是Python,而不是Jython编写后打包成jar包的程序。

我们的这个例子将模仿 WordCount 并使用Python来实现,例子通过读取文本文件来统计出单词的出现次数。结果也以文本形式输出,每一行包含一个单词和单词出现的次数,两者中间使用制表符来想间隔。

先决条件

编写这个程序之前,你学要架设好Hadoop 集群,这样才能不会在后期工作抓瞎。如果你没有架设好,那么在后面有个简明教程来教你在Ubuntu Linux 上搭建(同样适用于其他发行版linux、unix)

如何使用Hadoop Distributed File System (HDFS)在Ubuntu Linux 建立单节点的 Hadoop 集群

如何使用Hadoop Distributed File System (HDFS)在Ubuntu Linux 建立多节点的 Hadoop 集群

Python的MapReduce代码

使用Python编写MapReduce代码的技巧就在于我们使用了 HadoopStreaming 来帮助我们在Map 和 Reduce间传递数据通过STDIN (标准输入)和STDOUT (标准输出).我们仅仅使用Python的sys.stdin来输入数据,使用sys.stdout输出数据,这样做是因为HadoopStreaming会帮我们办好其他事。这是真的,别不相信!

Map: mapper.py

将下列的代码保存在/home/liupeng/hadoop/mapper.py中,他将从STDIN读取数据并将单词成行分隔开,生成一个列表映射单词与发生次数的关系:

注意:要确保这个脚本有足够权限(chmod +x /home/liupeng/hadoop/mapper.py)。

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
#!/usr/bin/env python
 
import sys
 
# input comes from STDIN (standard input)
for line in sys.stdin:
# remove leading and trailing whitespace
    line = line.strip()
# split the line into words
    words = 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)

在这个脚本中,并不计算出单词出现的总数,它将输出 "<word> 1" 迅速地,尽管<word>可能会在输入中出现多次,计算是留给后来的Reduce步骤(或叫做程序)来实现。当然你可以改变下编码风格,完全尊重你的习惯。

Reduce: reducer.py

将代码存储在/home/liupeng/hadoop/reducer.py 中,这个脚本的作用是从mapper.py 的STDIN中读取结果,然后计算每个单词出现次数的总和,并输出结果到STDOUT。

同样,要注意脚本权限:chmod +x /home/liupeng/hadoop/reducer.py

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
#!/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('\\t', 1)
# 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)

测试你的代码(cat data | map | sort | reduce)

我建议你在运行MapReduce job测试前尝试手工测试你的mapper.py 和 reducer.py脚本,以免得不到任何返回结果

这里有一些建议,关于如何测试你的Map和Reduce的功能:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制

——————————————————————————————————————————————
 # very basic test
 hadoop@ubuntu:~$ echo "foo foo quux labs foo bar quux" | /home/liupeng/hadoop/mapper.py
 foo     1
 foo     1
 quux    1
 labs    1
 foo     1
 bar     1
——————————————————————————————————————————————
 hadoop@ubuntu:~$ echo "foo foo quux labs foo bar quux" | /home/liupeng/hadoop/mapper.py | sort | /home/liupeng/hadoop/reducer.py
 bar     1
 foo     3
 labs    1
——————————————————————————————————————————————

 # using one of the ebooks as example input
 # (see below on where to get the ebooks)
 hadoop@ubuntu:~$ cat /tmp/liupeng/20417-8.txt | /home/liupeng/hadoop/mapper.py
 The     1
 Project 1
 Gutenberg       1
 EBook   1
 of      1
 [...] 
 (you get the idea)

 quux    2

 quux    1  

—————————————————————————————————————————————

在Hadoop平台上运行Python脚本为了这个例子,我们将需要三种电子书:

下载他们,并使用us-ascii编码存储 解压后的文件,保存在临时目录,比如/tmp/liupeng.

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
 hadoop@ubuntu:~$ ls -l /tmp/liupeng/
 total 3592
 -rw-r--r-- 1 hadoop hadoop  674425 2007-01-22 12:56 20417-8.txt
 -rw-r--r-- 1 hadoop hadoop 1423808 2006-08-03 16:36 7ldvc10.txt
 -rw-r--r-- 1 hadoop hadoop 1561677 2004-11-26 09:48 ulyss12.txt
 hadoop@ubuntu:~$

复制本地数据到HDFS

在我们运行MapReduce job 前,我们需要将本地的文件复制到HDFS中:

 hadoop@ubuntu:/usr/local/hadoop$ bin/hadoop dfs -copyFromLocal /tmp/liupeng liupeng
 hadoop@ubuntu:/usr/local/hadoop$ bin/hadoop dfs -ls
 Found 1 items
 /user/hadoop/liupeng  <dir>
 hadoop@ubuntu:/usr/local/hadoop$ bin/hadoop dfs -ls liupeng
 Found 3 items
 /user/hadoop/gutenberg/20417-8.txt      <r 1>   674425
 /user/hadoop/gutenberg/7ldvc10.txt      <r 1>   1423808
 /user/hadoop/gutenberg/ulyss12.txt      <r 1>   1561677

执行 MapReduce job

现在,一切准备就绪,我们将在运行Python MapReduce job 在Hadoop集群上。像我上面所说的,我们使用的是
HadoopStreaming 帮助我们传递数据在Map和Reduce间并通过STDINSTDOUT,进行标准化输入输出。


hadoop@ubuntu:/usr/local/hadoop$ bin/hadoop jar share/hadoop/tools/lib/hadoop-streaming-2.8.1.jar 
    -mapper /home/liupeng/hadoop/mapper.py -reducer /home/liupeng/hadoop/reducer.py 
    -input liupeng/* -output liupeng-output
在运行中,如果你想更改Hadoop的一些设置,如增加Reduce任务的数量,你可以使用“-jobconf”选项: 
hadoop@ubuntu:/usr/local/hadoop$ bin/hadoop jar share/hadoop/tools/lib/hadoop-streaming-2.8.1.jar
   

-jobconf mapred.reduce.tasks=16 -mapper ...

一个重要的备忘是关于Hadoop does not honor mapred.map.tasks

这个任务将会读取HDFS目录下的gutenberg并处理他们,将结果存储在独立的结果文件中,并存储在HDFS目录下的

gutenberg-output目录。

之前执行的结果如下:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
hadoop@ubuntu:/usr/local/hadoop$ bin/hadoop jar share/hadoop/tools/lib/hadoop-streaming-2.8.1.jar 
    -mapper /home/liupeng/hadoop/mapper.py -reducer /home/liupeng/hadoop/reducer.py 
    -input liupeng/* -output liupeng-output

additionalConfSpec_:null

null=@@@userJobConfProps_.get(stream.shipped.hadoopstreaming

packageJobJar: [/usr/local/hadoop-datastore/hadoop-hadoop/hadoop-unjar54543/]

[] /tmp/streamjob54544.jar tmpDir=null

[...] INFO mapred.FileInputFormat: Total input paths to process : 7

[...] INFO streaming.StreamJob: getLocalDirs(): [/usr/local/hadoop-datastore/hadoop-hadoop/mapred/local]

[...] INFO streaming.StreamJob: Running job: job_200803031615_0021

[...]

[...] INFO streaming.StreamJob: map 0% reduce 0%

[...] INFO streaming.StreamJob: map 43% reduce 0%

[...] INFO streaming.StreamJob: map 86% reduce 0%

[...] INFO streaming.StreamJob: map 100% reduce 0%

[...] INFO streaming.StreamJob: map 100% reduce 33%

[...] INFO streaming.StreamJob: map 100% reduce 70%

[...] INFO streaming.StreamJob: map 100% reduce 77%

[...] INFO streaming.StreamJob: map 100% reduce 100%

[...] INFO streaming.StreamJob: Job complete: job_200803031615_0021

[...] INFO streaming.StreamJob: Output: liupeng-output hadoop@ubuntu:/usr/local/hadoop$

正如你所见到的上面的输出结果,Hadoop 同时还提供了一个基本的WEB接口显示统计结果和信息。

当Hadoop集群在执行时,你可以使用浏览器访问 http://localhost:50030/  ,如图:

检查结果是否输出并存储在HDFS目录下的gutenberg-output中:

代码语言:js
AI代码解释
复制
 hadoop@ubuntu:/usr/local/hadoop$ bin/hadoop dfs -ls liupeng-output
 Found 1 items
 /user/hadoop/liupeng-output/part-00000     <r 1>   903193  2007-09-21 13:00
 hadoop@ubuntu:/usr/local/hadoop$ 

可以使用dfs -cat 命令检查文件目录

代码语言:js
AI代码解释
复制
 hadoop@ubuntu:/usr/local/hadoop$ bin/hadoop dfs -cat liupeng-output/part-00000
 "(Lo)cra"       1
 "1490   1
 "1498," 1
 "35"    1
 "40,"   1
 "A      2
 "AS-IS".        2
 "A_     1
 "Absoluti       1
 [...]
 hadoop@ubuntu:/usr/local/hadoop$

注意比输出,上面结果的(")符号不是Hadoop插入的。

改善Mapper 和 Reducer 使用Python的iterators 和 generators

请参考:Python iterators and generators

http://www.michael-noll.com/wiki/Writing_An_Hadoop_MapReduce_Program_In_Python#What_we_want_to_do

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
请参考:
(1) http://www.cnblogs.com/end/archive/2012/08/13/2636175.html
(2) https://www.bbsmax.com/A/nAJvA3eQzr/
(3) https://www.digitalocean.com/community/tutorials/how-to-install-hadoop-in-stand-alone-mode-on-ubuntu-16-04
本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2017年10月07日,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
使用Python语言写Hadoop MapReduce程序
在了解到Hadoop的生态环境以及Hadoop单机模式和伪分布式模式安装配置之后,我们可以使用自己熟悉的语言来编写Hadoop MapReduce程序,进一步了解MapReduce编程模型。
职场亮哥
2020/10/10
4.7K0
用Python来写MapReduce的实
用Python来写分布式的程序。这样速度快。便于调试,更有实际意义。MapReduce适合于对文本文件的处理及数据挖掘用:
py3study
2020/01/09
4080
图解大数据 | 实操案例-MapReduce大数据统计
教程地址:http://www.showmeai.tech/tutorials/84
ShowMeAI
2022/03/08
9400
图解大数据 | 实操案例-MapReduce大数据统计
hadoop2.7第一个python实例
没有任何基础,第一次跑hadoop实例,遇到不少问题,记录下来以便自查和帮助同样情况的hadoop学习者。
py3study
2020/01/13
6480
Python 版 WordCount
前言 本章介绍如何使用 Python 借助 Hadoop Streming 来完成 MapReduce 任务。 其实 Hadoop Streming 很简单,但是我在网上搜索学习的时候,发现好多文章内容都是类似的,而且还有些晦涩难懂,故自己记录下完整的过程,以便能帮到更多学习的人。 本次是基于 Hadoop 伪分布式环境搭建 这篇文章中的环境来操作的。 Hadoop Streming Hadoop Streaming提供了一个便于进行MapReduce编程的工具包,使用它可以基于一些可执行命令、脚本
一份执着✘
2018/06/04
1.3K0
Python过气,Hadoop凉了?零基础项目实战诠释何为经典
工欲善其事,必先利其器。Python 作为一种跨平台的编程语言,具有解释性、变异性、交互性和面向对象的特点,可应用于独立的项目开发。今天,我们特邀了公众号“冰河技术”作者、腾讯云 TVP 冰河老师,他将为我们带来基于 Python+Hadoop 手把手教学如何实现单词统计。
腾讯云开发者
2023/12/14
6470
Python过气,Hadoop凉了?零基础项目实战诠释何为经典
Hadoop项目:从cdn日志统计直播流量
从在用的四家cdn的大量日志中,统计出每场直播的流量数据,包括国内流量和海外流量。
职场亮哥
2020/10/10
1.2K0
Hadoop项目:从cdn日志统计直播流量
数据挖掘PageRank算法(网页排名原理)及Map-Reduce实现
方法/步骤 1 一、什么是pagerank PageRank的Page可是认为是网页,表示网页排名,也可以认为是Larry Page(google 产品经理),因为他是这个算法的发明者之一,还是google CEO(^_^)。PageRank算法计算每一个网页的PageRank值,然后根据这个值的大小对网页的重要性进行排序。它的思想是模拟一个悠闲的上 网者,上网者首先随机选择一个网页打开,然后在这个网页上呆了几分钟后,跳转到该网页所指向的链接,这样无所事事、漫无目的地在网页上跳来跳 去,Pag
学到老
2018/03/16
1.6K0
数据挖掘PageRank算法(网页排名原理)及Map-Reduce实现
MapReduce工作笔记——Job上传普通文件和大文件
我们在配置MR Streaming任务的时候,通常会上传mapper、reducer以及其他会用到的一些文件,在MapReduce工作笔记——Hadoop shell 常用文件操作命令中提到过使用put数据上传HDFS。在执行MR Job 的时候,Hadoop会将其配置的文件数据打包成jar,两种上传的目标是不一样的,前者是数据,后者是配置,本文章将主要介绍普通脚本文件的上传以及大文件的上传。
莫斯
2020/09/10
1.1K0
hadoop streaming编程小demo(python版)
大数据团队搞数据质量评测。自动化质检和监控平台是用django,MR也是通过python实现的。(后来发现有orc压缩问题,python不知道怎么解决,正在改成java版本) 这里展示一个python编写MR的例子吧。 抄一句话: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。 1、首先,先介绍一下背景,我们的数据是存放在hive里的。hive建表语句如下: 我们将会解析元数据,和HDFS上的数据进行merge,方便
用户1225216
2018/03/05
1.1K0
使用python编写hadoop的mapper 和reducer
Hadoop 本身是用 Java 开发的,程序也需要用 Java 编写,但是通过 Hadoop Streaming,我们可以使用任意语言来编写程序,让 Hadoop 运行。
gzq大数据
2020/11/11
2.4K0
用Python来写MapReduce之Wordcount
虽然Hadoop是用Java编写的一个框架, 但是并不意味着他只能使用Java语言来操作, 在Hadoop-0.14.1版本后, Hadoop支持了Python和C++语言, 在Hadoop的文档中也表示可以使用Python进行开发, 通常来说都会考虑将源码打包成jar包再运行, 例子: PythonWordCount 这明显不方便. 在Hadoop的文档中提到了Hadoop Streaming, 我们可以使用流的方式来操作它. 它的语法是
YingJoy_
2018/12/24
2.2K0
Python海量数据处理之_Hadoop
 前两篇分别介绍了Hadoop的配置方法和基本原理,本篇将介绍如何让程序借助Hadoop调用服务器集群中的算力。Hadoop是Java语言实现的,它不仅支持Java,还支持C++,Python等程序的分布计算。下面以Python为例介绍如何使用Hadoop的MapReduce功能。
py3study
2020/01/09
1K0
Hadoop(三)通过C#/python实现Hadoop MapReduce
Hadoop中将数据切分成块存在HDFS不同的DataNode中,如果想汇总,按照常规想法就是,移动数据到统计程序:先把数据读取到一个程序中,再进行汇总。
Chester Chen
2022/08/18
4360
Hadoop(三)通过C#/python实现Hadoop MapReduce
Hadoop Streaming:用 Python 编写 Hadoop MapReduce 程序
随着数字媒体、物联网等发展的出现,每天产生的数字数据量呈指数级增长。这种情况给创建下一代工具和技术来存储和操作这些数据带来了挑战。这就是 Hadoop Streaming 的用武之地!下面给出的图表描绘了从 2013 年起全球每年产生的数据增长情况。 IDC 估计,到 2025 年,每年产生的数据量将达到 180 Zettabytes!
玖柒的小窝
2021/09/17
7530
Hadoop Streaming:用 Python 编写 Hadoop MapReduce 程序
Python使用Hadoop进行词频统计
今天,我们利用python编写一个MapReduce程序,程序的目的还是百年不变的计算单词个数,也就是WordCunt。
钱塘小甲子
2019/01/28
2.5K0
用PHP编写Hadoop的MapReduce程序
hello 1 world 1″
黄规速
2022/04/14
1.9K0
MapReduce工作笔记——Hadoop MR Streaming通用模板
模板概览 #!/bin/sh # #-----------------------------------# # _ _ _ # | | | | __ _ __| | ___ ___ _ __ # | |_| |/ _` |/ _` |/ _ \ / _ \| '_ \ # | _ | (_| | (_| | (_) | (_) | |_) | # |_| |_|\__,_|\__,_|\___/ \___/| .__/ #
莫斯
2020/09/10
4100
Streaming执行Python版Wo
hadoop jar /home/hadoop/hadoop-2.6.0-cdh5.5.2/share/hadoop/tools/lib/hadoop-streaming-2.6.0-cdh5.5.2.jar  -input /user/hadoop/aa.txt -output /user/hadoop/python_output -mapper "python mapper.py" -reducer "python reducer.py" -file mapper.py -file reducer.py
py3study
2020/01/06
4600
Face Recognition(face_recognition) Using Hadoop Streaming API如何使用Python为Hadoop编写一个简单的MapReduce程序,请参考
如何使用Python为Hadoop编写一个简单的MapReduce程序,请参考: Here. Face Recognition(face_recognition) Using Hadoop Streaming API: 代码. cd /home/liupeng/hadoop/Face_Detection_Using_Hadoop_Streaming_API/ rm -f deploy/Imageprocessing.zip zip -q -r deploy/Imageprocessing.zip Image
MachineLP
2018/01/09
7380
推荐阅读
相关推荐
使用Python语言写Hadoop MapReduce程序
更多 >
领券
社区富文本编辑器全新改版!诚邀体验~
全新交互,全新视觉,新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能,全面提升创作效率和体验
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档
查看详情【社区公告】 技术创作特训营有奖征文