图解大数据 | 实操案例-MapReduce大数据统计

图解大数据 | 实操案例-MapReduce大数据统计

1.引言

本教程ShowMeAI详细给大家讲解Hadoop使用Map-Reduce进行数据统计的方法，关于Hadoop与map-reduce的基础知识，大家可以回顾ShowMeAI的基础知识讲解篇分布式平台Hadoop与Map-reduce详解。

尽管大部分人使用Hadoop都是用java完成，但是Hadoop程序可以用python、C++、ruby等完成。本示例教大家用python完成MapReduce实例统计输入文件的单词的词频。

输入：文本文件 输出：单词和词频信息，用 \t 隔开

2.Python实现 MapReduce 代码

使用python完成MapReduce需要利用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。

我们会利用Python的sys.stdin读取输入数据，并把我们的输出传送给 sys.stdout。Hadoop流将会完成其他的工作。

一个抽象的Hadoop大数据处理流程如下图所示：

对于本文提到的任务，我们做一个更详细的拆解，整个Hadoop Map-Reduce过程如下图所示：

从上图，我们可以看到，我们在当前任务中，需要核心通过代码完成的步骤是：

Map：产生词与次数标记键值对 Reduce：聚合同一个词(key)的值，完成统计

下面我们来看看，通过python如何完成这里的 Map 和 Reduce 阶段。

2.1 Map阶段：mapper.py

在这里，我们假设map阶段使用到的python脚本存放地址为 ShowMeAI/hadoop/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)

解释一下上述代码：

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，而是直接输出 1（Reduce阶段会完成统计工作）。

为了使脚本可执行，增加 mapper.py 的可执行权限：

chmod +x ShowMeAI/hadoop/code/mapper.py

2.2 Reduce阶段：reducer.py

在这里，我们假设reduce阶段使用到的python脚本存放地址为 ShowMeAI/hadoop/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 ShowMeAI/hadoop/code/reducer.py

3.本地测试MapReduce流程

通常我们在把数据处理流程提交到集群进行运行之前，会本地做一个简单测试，我们会借助linux的管道命令 （cat data | map | sort | reduce） 对数据流进行串接，验证我们写的 mapper.py 和 reducer.py脚本功能是否正常。这种测试方式，能保证输出的最终结果是我们期望的。

测试的命令如下：

cd ShowMeAI/hadoop/code/ echo "foo foo quux labs foo bar quux" | python mapper.py echo ``"foo foo quux labs foo bar quux"` `| python mapper.py | sort -k1, 1 | python reducer.py

其中的sort过程主要是完成以key为基准的排序，方便reduce阶段进行聚合统计。

4.Hadoop集群运行python代码

4.1 数据准备

我们对以下三个文件进行词频统计，先根据下述路径下载：

Plain Text UTF-8 http://gutenberg.org/ebooks/4300.txt.utf-8 Plain Text UTF-8 http://gutenberg.org/ebooks/5000.txt.utf-8 Plain Text UTF-8 ShowMeAI/hadoop/datas/ 目录下。

4.2 执行程序

把本地的数据文件拷贝到分布式文件系统HDFS中。

bin/hadoop dfs -copyFromLocal ShowMeAI/hadoop/datas hdfs_in

查看：

bin/hadoop dfs -ls

查看具体的文件：

bin/hadoop dfs -ls /user/showmeai/hdfs_in

执行MapReduce job：

bin/hadoop jar contrib/streaming/hadoop-*streaming*.jar \ -file ShowMeAI/hadoop/code/mapper.py -mapper ShowMeAI/hadoop/code/mapper.py \ -file ShowMeAI/hadoop/code/reducer.py -reducer ShowMeAI/hadoop/code/reducer.py \ -input /user/showmeai/hdfs_in/* -output /user/showmeai/hdfs_out

实例输出：

查看输出结果是否在目标目录 /user/showmeai/hdfs_out：

bin/hadoop dfs -ls /user/showmeai/hdfs_out

查看结果：

bin/hadoop dfs -cat /user/showmeai/hdfs_out2/part-00000

输出：

5.Mapper 和 Reducer代码优化

5.1 python中的迭代器和生成器

我们这里对Map-Reduce的代码优化主要基于迭代器和生成器，对这个部分不熟悉的同学可以参考ShowMeAI的python部分内容 → 《图解python | 迭代器与生成器》 。

5.2 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()

我们对代码中的groupby做一个简单代码功能演示讲解，如下：

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) --------------------

代码中：

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

6.参考资料

python中的split函数中的参数问题 http://segmentfault.com/q/1010000000311861 Writing an Hadoop MapReduce Program in Python http://michael-noll.com/tutorials/writing-an-hadoop-mapreduce-program-in-python/ shell的sort命令的-k参数 http://blog.chinaunix.net/uid-25513153-id-200481.html

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。