使用 Python 编写 Hadoop MapReduce 程序

使用 Python 编写 Hadoop MapReduce 程序

 

以前写 Hadoop 的 MapReduce 程序时，使用的是 Java ，利用 Java 写起来是轻车熟路，没有问题，但是使用 Java 很明显的一个弊端就是每次都要编码、打包、上传、执行，还真心是麻烦，想要更加简单的使用 Hadoop 的运算能力，想要写 MapReduce 程序不那么复杂。还真是个问题。

仔细考虑了下，熟悉的 Python 又得拿起来了，随便搜了下 Python 编写 MapReduce 程序，看了个教程，发现用起来真是方便，遂记录之。

 

 

Hadoop 框架使用 Java 开发的，对 Java 进行了原生的支持，不过对于其它语言也提供了 API 支持，如 Python 、 C++ 、 Perl 、 Ruby 等。这个工具就是 Hadoop Streaming ，顾名思义， Streaming 就是 Pipe 操作，说起 pipe ，大家肯定不陌生。最原生的 Python 支持是需要 Jython 支持的，不过这里有额外的方法来实现，大家如果只是使用的话，不用纠结 Jython 转换的问题。

 

前置条件：

Python 环境

Hadoop 环境（ single or cluster ）

最容易的 Hadoop 编程模型就是 Mapper 和 Reducer 的编写，这种编程模型大大降低了我们对于并发、同步、容错、一致性的要求，你只要编写好自己的业务逻辑，就可以提交任务。然后喝杯茶，结果就出来了，前提是你的业务逻辑没有错误。

使用 Hadoop Streaming ，能够利用 Pipe 模型，而使用 Python 的巧妙之处在于处理输入输出的数据使用的是 STDIN 和 STDOUT ，然后 Hadoop Streaming 会接管一切，转化成 MapReduce 模型。

我们还是使用 wordcount 例子，具体内容不再详细解释，如果有不理解的可以自行度之。下面我们先看下 mapper 的代码：

 

#!/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)

简单解释一下，输入从 sys.stdin 进入，然后进行分割操作，对于每行的分割结果，打印出 word 和 count=1 ， Mapper 就这么简单。

大家看完 Mapper 之后，会产生疑问，这个怎么能够实现 mapper 功能？我们跳出这个 sys.stdin 模型，再回顾下 MapReduce 的程序。在 Mapper 中，程序不关心你怎么输入，只关心你的输出，这个 Mapper 代码会被放到各个 slave 机器上，去执行 Mapper 过程，其实可以理解为过滤、处理。

在示例中，程序的输入会被进行一系列的处理过程，得到 word 和 count ，这个就是 slave 机器上的数据处理之后的内容。仔细理解下这个过程，对于开发程序还是相当有帮助的。

下面我们来看下 Reduce 程序， wordcount 的 reduce 程序就是统计相同 word 的 count 数目，然后再输出。我们还是直接上代码吧：

#!/usr/bin/env python
from operator import itemgetter
import sys

current_word = None
current_count = 0
word = None
# 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)
    except ValueError:
        # count was not a number, so silently
        # ignore/discard this line
        continue
    # this IF-switch only works because Hadoop sorts map output
    # by key (here: word) before it is passed to the reducer
    if current_word == word:
        current_count += count
    else:
        if current_word:
            # write result to STDOUT
            print '%s\t%s' % (current_word, current_count)
        current_count = count
        current_word = word
# do not forget to output the last word if needed!
if current_word == word:
    print '%s\t%s' % (current_word, current_count)

看完这个reduce代码，执行一下，完全没有问题，但是未必真正能理解这个reduce的内容，我来解释一下，明确知道执行流程的可以跳过。

reduce的代码页不复杂，利用Reduce程序，可以得出count数目。如果当前的词和分出来的词一致的话，count相加，如果不一致的话，就打印出来，同时更新输入的word和count。最后的if是打印出最后一次统计结果。

reduce的执行依赖了MapReduce模型一个要点，在Shuffle过程中，同一个key会放到同一个reduce任务中，这样处理的是一系列连续的相同的key值，当key不一样的时候，就是说开始统计下一个word了。

<!--EndFragment-->

利用Python写MapReduce程序就这么多内容，更细节的内容和自己处理的业务相关。

下面测试下结果：

<!--EndFragment-->

echo "foo foo quux labs foo bar quux" | python ./mapper.py
　 foo     1
　 foo     1
　 quux    1
　 labs    1
　 foo     1
　 bar     1
　 quux    1

 进一步可以看到

echo "foo foo quux labs foo bar quux" | python ./mapper.py | sort -k1,1 | ./reducer.py
 　bar     1
　 foo     3
　 labs    1
　 quux    2

下面就是执行Hadoop命令了，在使用Hadoop Streaming时，要使用一定的格式操作才能提交任务。

<!--EndFragment--> 

　　　hadoop jar $HADOOP_HOME/contrib/streaming/hadoop-*streaming*.jar –mapper mapperfile –file mapper_file_path –reducer reducefile –file reducer_file_path –input input_path –output output_path

将自己的mapper、reducer代码代入上面命令中，执行一下看结果是否正确。

<!--EndFragment-->

本文的最后列一下Hadoop Streaming操作的参数，以作备忘。

<!--EndFragment-->

Usage: $HADOOP_HOME/bin/hadoop jar $HADOOP_HOME/contrib/streaming/hadoop-streaming.jar [options]
　Options:
　  -input    <path>                   DFS input file(s) for the Map step
　  -output   <path>                   DFS output directory for the Reduce step
　  -mapper   <cmd|JavaClassName>      The streaming command to run
　  -combiner <JavaClassName>          Combiner has to be a Java class
　  -reducer  <cmd|JavaClassName>      The streaming command to run
　  -file     <file>                   File/dir to be shipped in the Job jar file
　  -dfs    <h:p>|local                Optional. Override DFS configuration
　  -jt     <h:p>|local                Optional. Override JobTracker configuration
　  -additionalconfspec specfile       Optional.
　  -inputformat TextInputFormat(default)|SequenceFileAsTextInputFormat|JavaClassName Optional.
　  -outputformat TextOutputFormat(default)|JavaClassName  Optional.
　  -partitioner JavaClassName         Optional.
　  -numReduceTasks <num>              Optional.
　  -inputreader <spec>                Optional.
　  -jobconf  <n>=<v>                  Optional. Add or override a JobConf property
　  -cmdenv   <n>=<v>                  Optional. Pass env.var to streaming commands
　  -cacheFile fileNameURI
　  -cacheArchive fileNameURI
　  -verbose

下面简单说下参数的意思：

-input：DFS输入，可以有多个input输入，不过我一般喜欢把输入用逗号{,}分割。

-output：DFS输入，实际上就是Reducer输出

-mapper：MapReduce中的Mapper，看清楚了，也可以是cmd shell命令

-combiner：这个必须是Java类

-reducer：MapReducer中的Reducer，也可以是shell命令

-file：这个file参数是用来提交本地的文件，如本地的mapper或者reducer

-dfs：这个是可选的，用来覆盖DFS设定。

-jt：用来覆盖jobtracker的设定

-inputformat：输入格式设定

-outputformat：输出文件的格式设定

 

上面的这些参数已经足够平时的应用了，如果有更为细节的需求，就要考虑Streaming是否合适，是否适应自己的业务逻辑。

 

最后再说一句：按照Hadoop Streaming的执行流程，这些参数应该足够了，但是如果我有更复杂的需求：如根据key值分离文件；根据key值重命名文件；读取HDFS上文件配置数据；从多个数据源中读取mapper数据，如HDFS、DataBase、HBase、Nosql等，这些比较灵活的应用使用Python Streaming都有限制，或者是我暂时还没有看到这块。但是目前来说，使用Hadoop Streaming操作能够大量减少代码和流程，比使用Java要方便许多，特别是对于日常的、临时的统计工作。

 

只有更复杂的统计工作和Hadoop Streaming特性，留待以后再行发掘。

<!--EndFragment-->

<!--EndFragment-->