MapReduceの実装

Python を使用してプログラミングを実装し、ファイルのマージと重複排除の操作を実現します。

1.Python環境を表示する

2. マッパー関数とリデューサー関数の書き込み

/usr/local/hadoop/wc フォルダー配下 (フォルダーがない場合は作成します)

gedit mapper.py

マッパー.py

#!/usr/bin/env python3
# encoding=utf-8

lines = {
    
    }

import sys
for line in sys.stdin:
    line = line.strip()
    key, value = line.split()
    if key not in lines.keys():
        lines[key] = []
    if value not in lines[key]:
        lines[key].append(value)
        lines[key] = sorted(lines[key])

for key, value in lines.items():
    print(key, end = ' ')
    for i in value:
        print(i, end = ' ')
    print()

gedit reducer.py

リデューサー.py

#!/usr/bin/env python3
# encoding=utf-8

import sys

key, values = None, []

for line in sys.stdin:
    line = line.strip().split(' ')
    if key == None:
        key = line[0]
    if line[0] != key:
        key = line[0]
        values = []
    if line[1] not in values:
        print('%s\t%s' % (line[0], line[1]))
        values.append(line[1])

3. 実行可能権限の設定と表示

chomod a+x ./mapper.py
chomod a+x ./mapper.py

4. Hadoop 上で実行してファイルのマージと重複排除の操作を実装する

A.txt、B.txt を書き込む

gedit A.txt

20150101 x
20150102 y
20150103 x
20150104 y
20150105 z
20150106 x

gedit B.txt

20150101 y
20150102 y
20150103 x
20150104 z
20150105 y

Hadoop で Python コードを実行する

hdfs コマンドに問題がある場合は、環境変数を追加してください

export PATH=$PATH:/usr/local/hadoop/bin

入力フォルダーがない場合は作成する必要があります

export STREAM=$HADOOP_HOME/share/hadoop/tools/lib/hadoop-streaming-*.jar

hadoop jar $STREAM  \
-file /usr/local/hadoop/wc/mapper.py \
-mapper /usr/local/hadoop/wc/mapper.py \
-file /usr/local/hadoop/wc/reducer.py \
-reducer /usr/local/hadoop/wc/reducer.py \
-input /input/* \
-output /output