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，第一列都是id，第二列是各自的业务类型(这里假设/a对应a，/b对应b)，第三列是一个json串。各举一例：

　　/a的一行：1234567　　a　　{"name":"jiufeng","age":"27","sex":"male","school":"","status":["111","000","001"],...}

　　/b的一行：12345　　b　　{"a":"abc","b":"adr","xxoo":"e",...}

　　要查找在/a中出现"status"且有"111"状态，而且要再/b中有这个id的所有id列表。

　　那么来吧，首先需要mapper来提取/a中满足"status"有"111"状态的id和第二列"a"、/b中所有行的前两列，python代码如下，mapper.py：

 1 #!/usr/bin/env python
 2 #coding = utf-8
 3
 4 import json
 5 import sys
 6 import traceback
 7 import datetime,time
 8
 9 def mapper():
10     for line in sys.stdin:
11         line = line.strip()
12         id,tag,content = line.split(‘\t‘)
13         if tag == ‘a‘:
14             jstr = json.loads(content)
15             active = jstr.get(‘status‘,[])
16             if "111" in active:
17                 print ‘%s\t%s‘ %(id,tag)
18         if tag == ‘b‘:
19             print ‘%s\t%s‘ % ( id,tag)
20
21 if __name__ == ‘__main__‘:
22     mapper()

　　这个mapper是从表中输入中提取数据，然后将满足条件的数据通过标准输出。然后是reducer.py：

 1 #!/usr/bin/env python
 2 #coding = utf-8
 3
 4 import sys
 5 import json
 6
 7 def reducer():
 8     tag_a = 0
 9     tag_b = 0
10     pre_id = ‘‘
11     for line in sys.stdin:
12         line = line.strip()
13         current_id,tag = line.split(‘\t‘)
14         if current_id != pre_id:
15             if tag_a==1 and tag_b==1:
16                 tag_a = 0
17                 tag_b = 0
18                 print ‘%s‘ % pre_id
19             else :
20                 tag_a = 0
21                 tag_b = 0
22         pre_id = current_id
23         if tag == ‘a‘:
24             if tag_a == 0:
25                 tag_a = 1
26         if tag == ‘b‘:
27             if tag_b == 0:
28                 tag_b = 1
29     if tag_b==1 and tag_b==1:
30         print ‘%s‘ % pre_id
31
32 if __name__ == ‘__main__‘:
33     reducer()

　　一个reducer可以接受N多行数据，不像java那样的一行对应一个key然后多个value，而是一个key对应一个value，但好在相同key的行都是连续的，只要在key变化的时候做一下处理就行。

　　然后安排让hadoop执行，schedule.py：

 1 #!/usr/bin/env python
 2 #coding = utf-8
 3
 4 import subprocess, os
 5 import datetime
 6
 7
 8 def mr_job():
 9     mypath = os.path.dirname(os.path.abspath(__file__))
10     inputpath1 = ‘/b/*‘
11     inputpath2 = ‘/a/*‘
12     outputpath = ‘/out/‘
13     mapper = mypath + ‘/mapper.py‘
14     reducer = mypath + ‘/reducer.py‘
15     cmds = [‘$HADOOP_HOME/bin/hadoop‘, ‘jar‘, ‘$HADOOP_HOME/contrib/streaming/hadoop-streaming-1.2.1.jar‘,
16             ‘-numReduceTasks‘, ‘40‘,
17             ‘-input‘, inputpath1,
18             ‘-input‘, inputpath2,
19             ‘-output‘, outputpath,
20             ‘-mapper‘, mapper,
21             ‘-reducer‘, reducer,
22             ‘-file‘, mapper,
23             ‘-file‘, reducer,]
24     for f in os.listdir(mypath):
25         cmds.append(mypath + ‘/‘ + f)
26     cmd = [‘$HADOOP_HOME/bin/hadoop‘, ‘fs‘, ‘-rmr‘, outputpath]
27     subprocess.call(cmd)
28     subprocess.call(cmds)
29
30
31 def main():
32     mr_job()
33
34 if __name__ == ‘__main__‘:
35     main()

　　schedule.py就是执行MapReduce的地方通过调用hadoop-streamingXXX.jar会通过调用shell命令来提交job，另外可以配置一下参数，shell命令会将制定的文件上传到hdfs然后分发到各个节点执行。。。$HADOOP_HOME就是hadoop的安装目录。。。mapper和reducer的python脚本的名字无所谓，方法名无所谓因为在配置shell执行命令时已经指定了

　　上述是一个很简单的python_hadoop-streamingXXX例子。。。。