python执行mapreduce

执行mapreduce有两种方式，一种是原生Java写的mr，一种是直接使用Streaming方式，这种方式是在Java上面做了一个封装，可以通过其它语言调用Java原生的mr接口。

• 优点
  • 可以使用自己喜欢的语言来编写MapReduce程序（换句话说，不必写Java XD）
  • 不需要像写Java的MR程序那样import一大堆库，在代码里做一大堆配置，很多东西都抽象到了stdio上，代码量显著减少
  • 因为没有库的依赖，调试方便，并且可以脱离Hadoop先在本地用管道模拟调试
• 缺点
  • 只能通过命令行参数来控制MapReduce框架，不像Java的程序那样可以在代码里使用API，控制力比较弱，有些东西鞭长莫及
  • 因为中间隔着一层处理，效率会比较慢

下面是一个例子：

第一个文件test.dat：

0067011990999991950051507004...9999999N9+00001+99999999999...
0043011990999991950051512004...9999999N9+00221+99999999999...
0043011990999991950051518004...9999999N9-00111+99999999999...
0043012650999991949032412004...0500001N9+01111+99999999999...
0043012650999991949032418004...0500001N9+01121+99999999999...
0043012650999991949032418004...0500001N9+01221+99999999999...

第二个文件：map.py

#!usr/bin/python

import re
import sys
for line in sys.stdin:
    val=line.strip()
    (year,temp)=(val[15:19],val[40:45])
    print "%s\t%s" % (year,temp)

第三个文件：red.py

#!usr/bin/python

import sys
(last_key,max_val)=(None,0)
for line in sys.stdin:
  (key,val)=line.strip().split('\t')
  if last_key and last_key!=key:
    print '%s\t%s' % (last_key, max_val)
    (last_key, max_val)=(key,int(val))
  else:
    (last_key, max_val)=(key,max(max_val,int(val)))
if last_key:
  print '%s\t%s' % (last_key, max_val)

执行的mr命令：

hadoop jar /opt/cloudera/parcels/CDH-5.3.2-1.cdh5.3.2.p0.10/jars/hadoop-streaming-2.5.0-cdh5.3.2.jar
	-mapper 'python map.py' -file /usr/local/tables/map.py
	-reducer 'python red.py' -file /usr/local/tables/red.py
	-input /tmp/logs/test.dat
	-output /tmp/test/

为了让Hadoop将程序分发给其他机器，需要再加一个-file参数用于指明要分发的程序放在哪里。