Loading [MathJax]/jax/output/CommonHTML/config.js
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
Load balancer 负载均衡
负载均衡器将传入的请求分发到应用服务器和数据库等计算资源。无论哪种情况,负载均衡器将从计算资源来的响应返回给恰当的客户端。负载均衡器的效用在于:
一个会写诗的程序员
2020/05/27
1.4K0
Load balancer 负载均衡
AWS alb 了解
Elastic Load Balancing 在一个或多个可用区中的多个目标(如 EC2 实例、容器和 IP 地址)之间自动分配传入的流量。它会监控已注册目标的运行状况,并仅将流量传输到运行状况良好的目标。Elastic Load Balancing 根据传入流量随时间的变化对负载均衡器进行扩展。它可以自动扩展来处理绝大部分工作负载。
heidsoft
2022/01/17
2.2K0
AWS alb 了解
一篇读懂分布式架构下的负载均衡技术:分类、原理、算法、常见方案等
关于“负载均衡”的解释,百度词条里:负载均衡,英文叫Load Balance,意思就是将请求或者数据分摊到多个操作单元上进行执行,共同完成工作任务。
JackJiang
2019/05/13
1.4K0
一篇读懂分布式架构下的负载均衡技术:分类、原理、算法、常见方案等
理解负载均衡(Load balance)
负载均衡(Load balance),是一种计算机技术,用来在多个计算机(计算机集群)、网络连接、CPU、磁盘驱动器或者其他资源中分配负载,已达到最优化资源使用、最大吞吐率、最小化响应时间、同时避免过载的目的。
kevinfaith
2020/01/21
1.5K0
开源负载均衡史话:12000+字详解现代网络负载均衡与代理,最清晰!
https://blog.envoyproxy.io/introduction-to-modern-network-load-balancing-and- proxying-a57f6ff80236
灵雀云
2020/09/23
1.2K0
开源负载均衡史话:12000+字详解现代网络负载均衡与代理,最清晰!
你管这破玩意儿叫负载均衡?
相信大家都听过这样的一道经典面试题:「请说出在淘宝网输入一个关键词到最终展示网页的整个流程,越详细越好」
kunge
2021/07/16
6040
Google:基于容器的服务发现与负载均衡
曾在Google广告部门任职,负责广告的架构任务,14年回国同年9月创立数人云,主要基于Docker容器技术为企业级客户打造私有的PaaS平台,帮助企业客户解决互联网新业务挑战下的IT问题。
技术zhai
2019/02/15
1.8K0
Vnet subnet Nic Nsg 区别
可以在创建 VM 之前创建 VNet,也可以在创建 VM 时创建 VNet。需要创建以下资源来支持与 VM 通信:
PM吃瓜
2023/03/02
9270
Vnet subnet Nic Nsg 区别
Envoy: modern Cloud Load Balancing 现代云负载均衡
我印象中负载均衡其实是个硬件设备。其实一开始确实是的,然而现在已经不同了。尤其是云厂商提供的负载均衡方案几乎全部是靠软件。现在的负载均衡不仅是网络流量复杂均衡,几乎所有的平衡多个计算资源负载的方案都可以叫做负载均衡。在云计算背景下,负载均衡其实有一个软件实体--proxy。准确说,他们其实是不一样的,但是不能否认他们的功能其实重叠,proxy将网络转发作为主要功能。并且在所有的service mesh、cloud的资料中,这两个词指的就是同一个东西。
s09g
2022/07/06
4460
Envoy: modern Cloud Load Balancing 现代云负载均衡
高性能负载均衡软件HAProxy
image.png HAProxy是一个负载均衡软件,开源、高性能,可应用于TCP(第四层)和HTTP(第七层) 借助HAProxy可以快速、可靠地提供基于TCP和HTTP应用的负载均衡解决方案。 优点 (1)可靠性和稳定性非常好,可以与硬件级的F5负载均衡设备相媲美 (2)性能及其强大,最高可以同时维护40000~50000个并发连接,单位时间内处理的最大请求数为20000个,最大数据处理能力可达10Gbps (3)支持多于8种负载均衡算法,同时也支持session保持 (4)支持虚拟主机功能,这样实现W
dys
2018/04/02
9060
高性能负载均衡软件HAProxy
牛人带你通透理解高可用网络基础架构的关键组件:负载均衡机制
负载均衡(Load Balance)是分布式网络环境中的重要机制,在微服务架构中,通过负载均衡可以实现系统高可用性、集群扩容等。
愿天堂没有BUG
2022/10/28
3060
牛人带你通透理解高可用网络基础架构的关键组件:负载均衡机制
系统设计:负载均衡
负载平衡开始于20世纪90年代,当时硬件设备通过网络分发流量。组织希望提高服务器上运行的应用程序的可访问性。最终,随着应用程序交付控制器(ADC)的出现,负载平衡承担了更多的责任。它们提供了安全性以及在高峰时间对应用程序的无缝访问。
小诚信驿站
2021/06/18
1.7K0
系统设计:负载均衡
一篇读懂分布式架构下的负载均衡技术:分类、原理、算法、常见方案等
关于“负载均衡”的解释,百度词条里:负载均衡,英文叫Load Balance,意思就是将请求或者数据分摊到多个操作单元上进行执行,共同完成工作任务。
JackJiang
2019/04/29
3.1K0
001.HAProxy简介
HAProxy是可提供高可用性、负载均衡以及基于TCP(从而可以反向代理mysql等应用)和HTTP应用的代理,支持虚拟主机,它是免费、快速并且可靠的一种解决方案。HAProxy非常适用于并发大(并发达1w以上)web站点,这些站点通常又需要会话保持或七层处理。HAProxy的运行模式使得它可以很简单安全的整合至当前的架构中,同时可以保护web服务器不被暴露到网络上。
木二
2019/07/26
4790
F5负载的应用
        一般负载分为软件负载和硬件负载,比如软件中使用nginx等工具实现负载均衡,而F5负载均衡器就是硬件网络性能优化设备。 他不同于交换机、路由器这些网络基础设备,而是建立在现有网络结构上用来增加网络带宽和吞吐量的的硬件设备。
余生大大
2022/11/02
2.8K0
F5负载的应用
集群软件都有哪些_cpu集群
集群就是一组(若干个)相互独立的计算机,利用高速通信网络组成的一个较大的计算机服务系统,每个集群节点(即集群中的每台计算机)都是运行各自服务的独立服务器。这些服务器之间可以彼此通信,协同向用户提供应用程序、系统资源和数据。
全栈程序员站长
2022/11/04
2.9K0
集群软件都有哪些_cpu集群
跨园区容灾,升级不停服:高可用负载均衡集群实践
腾讯云中间件团队
2017/03/31
4.7K0
跨园区容灾,升级不停服:高可用负载均衡集群实践
玩转企业集群运维管理系列(一):负载均衡基础入门
在这之前,我们相继卷完了:关系型数据库 MySQL 、 NoSQL 数据库 Redis 、 MongoDB 、搜索引擎 ElasticSearch 、大数据 Hadoop框架、PostgreSQL 数据库、消息中间件 Kafka、分布式协调中间件 Zookeeper、消息中间件 RabbitMQ、企业级监控平台、企业常用应用与服务等这些系列的知识体系。
民工哥
2023/12/02
6240
玩转企业集群运维管理系列(一):负载均衡基础入门
harbor高可用方案,基于kubernetes
首先需要创建一个 Kubernetes 集群。你可以使用各种 Kubernetes 集群管理工具,例如 kubeadm、kops 或者其他云服务提供商的 Kubernetes 服务(例如 GKE、EKS 或者 AKS)来创建集群。
堕落飞鸟
2023/03/27
9110
负载均衡(SLB)基础入门学习笔记
5) 安全性区别说明,例如网络中最常见的SYN Flood攻击,使用虚假IP地址对同一目标发送SYN攻击,通常这种攻击会大量发送SYN报文,耗尽服务器上的相关资源,以达到Denial of Service(DoS)的目的;
全栈工程师修炼指南
2022/09/28
6.1K0
负载均衡(SLB)基础入门学习笔记
推荐阅读
相关推荐
Load balancer 负载均衡
更多 >
领券
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
本文部分代码块支持一键运行,欢迎体验
本文部分代码块支持一键运行,欢迎体验