使用python+hadoop-streaming编写hadoop处理程序
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、脚本语言或其他编程语言来实现Mapper和 Reducer,从而充分利用Hadoop并行计算框架的优势和能力,来处理大数据
好吧我承认以上这句是抄的以下是原创干货
首先部署hadoop环境,这点可以参考 http://www.powerxing.com/install-hadoop-in-centos/
好吧原创从下一行开始
部署hadoop完成后,需要下载hadoop-streaming包,这个可以到http://www.java2s.com/Code/JarDownload/hadoop-streaming/hadoop-streaming-0.23.6.jar.zip去下载,或者访问http://www.java2s.com/Code/JarDownload/hadoop-streaming/选择最新版本,千万不要选择source否则后果自负,选择编译好的jar包即可,放到/usr/local/hadoop目录下备用
接下来是选择大数据统计的样本,我在阿里的天池大数据竞赛网站下载了母婴类购买统计数据,记录了900+个萌萌哒小baby的购买用户名、出生日期和性别信息,天池的地址https://tianchi.shuju.aliyun.com/datalab/index.htm
数据是一个csv文件,结构如下:
用户名,出生日期,性别(0女,1男,2不愿意透露性别)
比如:415971,20121111,0(数据已经脱敏处理)
下面我们来试着统计每年的男女婴人数
接下来开始写mapper程序mapper.py,由于hadoop-streaming是基于Unix Pipe的,数据会从标准输入sys.stdin输入,所以输入就写sys.stdin
#!/usr/bin/python
# -*- coding: utf-8 -*- import sys for line in sys.stdin:
line = line.strip()
data = line.split(',')
if len(data)<3:
continue
user_id = data[0]
birthyear = data[1][0:4]
gender = data[2]
print >>sys.stdout,"%s\t%s"%(birthyear,gender)
一个很简单的程序,看不懂的请自行提高姿势水平
下面是reduce程序,这里大家需要注意一下,map到reduce的期间,hadoop会自动给map出的key排序,所以到reduce中是一个已经排序的键值对,这简化了我们的编程工作
我是有洪荒之力的reducer.py,和外面的哪些妖艳贱货不一样
#!/usr/bin/python
# -*- coding: utf-8 -*- import sys gender_totle = {'':0,'':0,'':0}
prev_key = False
for line in sys.stdin:#map的时候map中的key会被排序
line = line.strip()
data = line.split('\t')
birthyear = data[0]
curr_key = birthyear
gender = data[1] #寻找边界,输出结果
if prev_key and curr_key !=prev_key:#不是第一次,并且找到了边界
print >>sys.stdout,"%s year has female %s and male %s"%(prev_key,gender_totle[''],gender_totle[''])#先输出上一次统计的结果
prev_key = curr_key
gender_totle[''] = 0
gender_totle[''] = 0
gender_totle[''] = 0#清零
gender_totle[gender] +=1#开始计数
else:
prev_key = curr_key
gender_totle[gender] += 1
#输出最后一行
if prev_key:
print >>sys.stdout,"%s year has female %s and male %s"%(prev_key,gender_totle[''],gender_totle[''])
接下来就是将样本和mapper reducer上传到hdfs中并执行了,这也是我踩坑的地方
可以先这样测试下python脚本是否正确
cat sample.csv | ./mapper.py | sort -t ' ' -k | ./reducer.py
首先要在hdfs中创建相应的目录,为了方便,我将一部分hadoop命令做了别名
alias stop-dfs='/usr/local/hadoop/sbin/stop-dfs.sh'
alias start-dfs='/usr/local/hadoop/sbin/start-dfs.sh'
alias dfs='/usr/local/hadoop/bin/hdfs dfs'
echo "alias stop-dfs='/usr/local/hadoop/sbin/stop-dfs.sh'" >> /etc/profile
echo "alias start-dfs='/usr/local/hadoop/sbin/start-dfs.sh'" >> /etc/profile
echo "alias dfs='/usr/local/hadoop/bin/hdfs dfs'" >> /etc/profile
启动hadoop后,先创建一个用户目录
dfs -mkdir -p /user/root
将样本上传到此目录中
dfs -put ./sample.csv /user/root
当然也可以这样处理更加规范,这两者的差别一会儿会说
dfs -mkdir -p /user/root/input
dfs -put ./sample.csv /user/root/input
接下来将mapper.py和reducer.py上传到服务器上,切换到上传以上两个文件的目录
然后就可以执行了,执行命令如下
hadoop jar /usr/local/hadoop/hadoop-streaming-0.23..jar \
-D mapred.job.name="testhadoop" \
-D mapred.job.queue.name=testhadoopqueue \
-D mapred.map.tasks= \
-D mapred.min.split.size= \
-D mapred.reduce.tasks= \
-D stream.num.map.output.key.fields= \
-D num.key.fields.for.partition= \
-input sample.csv \
-output output-streaming \
-mapper mapper.py \
-reducer reducer.py \
-file mapper.py \
-file reducer.py \
-partitioner org.apache.hadoop.mapred.lib.KeyFieldBasedPartitioner
如果是将sample.csv放到input下,这个命令就应该这么写,不过反正我也没试过,出错了不关我的事
hadoop jar /usr/local/hadoop/hadoop-streaming-0.23..jar \
-D mapred.job.name="testhadoop" \
-D mapred.job.queue.name=testhadoopqueue \
-D mapred.map.tasks= \
-D mapred.min.split.size= \
-D mapred.reduce.tasks= \
-D stream.num.map.output.key.fields= \
-D num.key.fields.for.partition= \
-input input/sample.csv \
-output output-streaming \
-mapper mapper.py \
-reducer reducer.py \
-file mapper.py \
-file reducer.py \
-partitioner org.apache.hadoop.mapred.lib.KeyFieldBasedPartitioner
命令的解释如下
(1)-input:输入文件路径
(2)-output:输出文件路径
(3)-mapper:用户自己写的mapper程序,可以是可执行文件或者脚本
(4)-reducer:用户自己写的reducer程序,可以是可执行文件或者脚本
(5)-file:打包文件到提交的作业中,可以是mapper或者reducer要用的输入文件,如配置文件,字典等。
这个一般是必须有的,因为mapper和reducer函数都是写在本地的文件中,因此需要将文件上传到集群中才能被执行
(6)-partitioner:用户自定义的partitioner程序
(7)-D:作业的一些属性(以前用的是-jonconf),具体有:
1)mapred.map.tasks:map task数目
设置的数目与实际运行的值并不一定相同,若输入文件含有M个part,而此处设置的map_task数目超过M,那么实际运行map_task仍然是M
2)mapred.reduce.tasks:reduce task数目 不设置的话,默认值就为1
3)num.key.fields.for.partition=N:shuffle阶段将数据集的前N列作为Key;所以对于wordcount程序,map输出为“word 1”,shuffle是以word作为Key,因此这里N=1
(8)-D stream.num.map.output.key.fields=1 这个是指在reduce之前将数据按前1列做排序,一般情况下可以去掉
接下来就是激动人心的一刻了,要非常用力地跪着按下enter键
如果有报错output-streaming already exists就用命令dfs -rm -R /user/root/output-streaming 然后跳起来按下enter键
即使出现奇怪的刷屏也不要惊奇恩妈妈是这么教我的
如果出现以下字样就是成功了
16/08/18 18:35:20 INFO mapreduce.Job: map 100% reduce 100%
16/08/18 18:35:20 INFO mapreduce.Job: Job job_local926114196_0001 completed successfully
之后使用如下命令将结果取回本地,使用cat命令就能查看
dfs -get /user/root/output-streaming/* ./output-streaming
cat ./output-streaming/*
很惭愧,只做了一点微小的工作
使用python+hadoop-streaming编写hadoop处理程序的更多相关文章
- 用python + hadoop streaming 编写分布式程序(一) -- 原理介绍,样例程序与本地调试
相关随笔: Hadoop-1.0.4集群搭建笔记 用python + hadoop streaming 编写分布式程序(二) -- 在集群上运行与监控 用python + hadoop streami ...
- 用python + hadoop streaming 编写分布式程序(二) -- 在集群上运行与监控
写在前面 相关随笔: Hadoop-1.0.4集群搭建笔记 用python + hadoop streaming 编写分布式程序(一) -- 原理介绍,样例程序与本地调试 用python + hado ...
- 用python + hadoop streaming 编写分布式程序(三) -- 自定义功能
又是期末又是实训TA的事耽搁了好久……先把写好的放上博客吧 相关随笔: Hadoop-1.0.4集群搭建笔记 用python + hadoop streaming 编写分布式程序(一) -- 原理介绍 ...
- 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 ...
- Hadoop Streaming
原文地址:http://hadoop.apache.org/docs/r1.0.4/cn/streaming.html Hadoop Streaming Streaming工作原理 将文件打包到提交的 ...
- hadoop streaming anaconda python 计算平均值
原始Liunx 的python版本不带numpy ,安装了anaconda 之后,使用hadoop streaming 时无法调用anaconda python , 后来发现是参数没设置好... 进 ...
- 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, ...
- Hadoop Streaming框架学习(一)
Hadoop Streaming框架学习(一) Hadoop Streaming框架学习(一) 2013-08-19 12:32 by ATP_, 473 阅读, 3 评论, 收藏, 编辑 1.Had ...
- hadoop streaming 编程
概况 Hadoop Streaming 是一个工具, 代替编写Java的实现类,而利用可执行程序来完成map-reduce过程.一个最简单的程序 $HADOOP_HOME/bin/hadoop jar ...
随机推荐
- Ubuntu 安装 JDK8
安装python-software-properties $sudo apt-get install python-software-properties $sudo apt-get install ...
- http proxy模块参数
http proxy模块参数 nginx功能的代理功能是是通过http proxy模块来实现的.默认在安装Nginx是已经安装了http proxy模块,可以直接使用. http模块相关参数 说明 p ...
- Oracle课程档案,第十天
用户管理 Authentication: 身份验证 AAA:Authentication: 身份验证 Authorization: 权限管理 Audition: 审计 grant:授权 unset:撤 ...
- SQL Server 索引自动组织维护
公司的一个产品中的数据库,几个热点表因为主键和索引设计不合理,造成索引碎片过大,影响性能. 我尝试新建了一个索引碎片整理的定时任务,用于维护索引锁片和统计信息. 具体的过程如下: 本文原创,转发请表明 ...
- RGBA与Opacity
rgba(r,g,b,a) 都与透明度有关,rgba不会影响文字,opacity则会.
- Django’s cache framework
小结: 1.缓存存储位置:数据库.文件系统.内存 2.通过缓存前缀实现跨服务器缓存 Django’s cache framework | Django documentation | Django h ...
- [daily][python2] int型IP地址与string型IP地址互转
使用python2,类似如下操作. >>> import socket >>> import struct >>> socket.ntohl(]) ...
- Linux Shell编程中的几个特殊符号命令 & 、&& 、 ||
https://blog.csdn.net/hack8/article/details/39672145 Linux Shell编程中的几个特殊符号命令 & .&& . || ...
- 转:arcgis api for js入门开发系列四地图查询
原文地址:arcgis api for js入门开发系列四地图查询 arcgis for js的地图查询方式,一般来说,总共有三种查询方式:FindTask.IdentifyTask.QueryTas ...
- 如何使用Shell判断版本号的大小
如果你想通过shell来比较两个版本号字符串,比如两个版本号1.1.2和1.2.1这两个版本谁是比较新的. 最简单的就是使用sort命令.加上参数"-V"后sort命令就可以把文本 ...