Hadoop Streaming例子(python)

　　以前总是用java写一些MapReduce程序现举一个例子使用Python通过Hadoop Streaming来实现Mapreduce。

　　任务描述：

　　HDFS上有两个目录/a和/b，里面数据均有3列，第一列都是id，第二列是各自的业务类型(这里假设/a对应a，/b对应b)，第三列是一个json串。各举一例：

　　/a的一行：1234567　　a　　{"name":"jiufeng","age":"27","sex":"male","school":"","status":["111","000","001"],...}

　　/b的一行：12345　　b　　{"a":"abc","b":"adr","xxoo":"e",...}

　　要查找在/a中出现"status"且有"111"状态，而且要再/b中有这个id的所有id列表。

　　那么来吧，首先需要mapper来提取/a中满足"status"有"111"状态的id和第二列"a"、/b中所有行的前两列，python代码如下，mapper.py：

 #!/usr/bin/env python
 #coding = utf-8

 import json
 import sys
 import traceback
 import datetime,time

 def mapper():
     for line in sys.stdin:
         line = line.strip()
         id,tag,content = line.split('\t')
         if tag == 'a':
             jstr = json.loads(content)
             active = jstr.get('status',[])
             if "" in active:
                 print '%s\t%s' %(id,tag)
         if tag == 'b':
             print '%s\t%s' % ( id,tag)

 if __name__ == '__main__':
     mapper()

　　这个mapper是从表中输入中提取数据，然后将满足条件的数据通过标准输出。然后是reducer.py：

 #!/usr/bin/env python
 #coding = utf-8

 import sys
 import json

 def reducer():
     tag_a = 0
     tag_b = 0
     pre_id = ''
     for line in sys.stdin:
         line = line.strip()
         current_id,tag = line.split('\t')
         if current_id != pre_id:
             if tag_a==1 and tag_b==1:
                 tag_a = 0
                 tag_b = 0
                 print '%s' % pre_id
             else :
                 tag_a = 0
                 tag_b = 0
         pre_id = current_id
         if tag == 'a':
             if tag_a == 0:
                 tag_a = 1
         if tag == 'b':
             if tag_b == 0:
                 tag_b = 1
     if tag_b==1 and tag_b==1:
         print '%s' % pre_id

 if __name__ == '__main__':
     reducer()

　　一个reducer可以接受N多行数据，不像java那样的一行对应一个key然后多个value，而是一个key对应一个value，但好在相同key的行都是连续的，只要在key变化的时候做一下处理就行。

　　然后安排让hadoop执行，schedule.py：

 #!/usr/bin/env python
 #coding = utf-8

 import subprocess, os
 import datetime

 def mr_job():
     mypath = os.path.dirname(os.path.abspath(__file__))
     inputpath1 = '/b/*'
     inputpath2 = '/a/*'
     outputpath = '/out/'
     mapper = mypath + '/mapper.py'
     reducer = mypath + '/reducer.py'
     cmds = ['$HADOOP_HOME/bin/hadoop', 'jar', '$HADOOP_HOME/contrib/streaming/hadoop-streaming-1.2.1.jar',
             '-numReduceTasks', '',
             '-input', inputpath1,
             '-input', inputpath2,
             '-output', outputpath,
             '-mapper', mapper,
             '-reducer', reducer,
             '-file', mapper,
             '-file', reducer,]
     for f in os.listdir(mypath):
         cmds.append(mypath + '/' + f)
     cmd = ['$HADOOP_HOME/bin/hadoop', 'fs', '-rmr', outputpath]
     subprocess.call(cmd)
     subprocess.call(cmds)

 def main():
     mr_job()

 if __name__ == '__main__':
     main()

　　schedule.py就是执行MapReduce的地方通过调用hadoop-streamingXXX.jar会通过调用shell命令来提交job，另外可以配置一下参数，shell命令会将制定的文件上传到hdfs然后分发到各个节点执行。。。$HADOOP_HOME就是hadoop的安装目录。。。mapper和reducer的python脚本的名字无所谓，方法名无所谓因为在配置shell执行命令时已经指定了

　　上述是一个很简单的python_hadoop-streamingXXX例子。。。。