hadoop streaming anaconda python 计算平均值

原始Liunx 的python版本不带numpy ，安装了anaconda 之后，使用hadoop streaming 时无法调用anaconda python ，

后来发现是参数没设置好。。。

进入正题：

环境：

4台服务器：master slave1 slave2 slave3。

全部安装anaconda2与anaconda3，主环境py2 。anaconda2与anaconda3共存见：Ubuntu16.04 Liunx下同时安装Anaconda2与Anaconda3

安装目录：/home/orient/anaconda2

Hadoop 版本2.4.0

数学原理：

设有一组数字，这组数字的均值和方差如下：

每个部分的{count(元素个数)、sum1/count、sum2/count}，然后在reduce端将所有map端传入的sum1加起来在除以总个数n得到均值mean；将所有的sum2加起来除以n再减去均值mean的平方，就得到了方差var.

数据准备：

inputFile.txt 一共100个数字全部数据下载：

编写mrMeanMapper.py

 #!/usr/bin/env python

 import sys

 from numpy import mat, mean, power

 def read_input(file):

     for line in file:

         yield line.rstrip()

 input = read_input(sys.stdin)#creates a list of input lines

 input = [float(line) for line in input] #overwrite with floats

 numInputs = len(input)

 input = mat(input)

 sqInput = power(input,2)

 #output size, mean, mean(square values)

 print "%d\t%f\t%f" % (numInputs, mean(input), mean(sqInput)) #calc mean of columns

 print >> sys.stderr, "report: still alive"

编写mrMeanReducer.py

 #!/usr/bin/env python

 import sys

 from numpy import mat, mean, power

 def read_input(file):

     for line in file:

         yield line.rstrip()

 input = read_input(sys.stdin)#creates a list of input lines

 #split input lines into separate items and store in list of lists

 mapperOut = [line.split('\t') for line in input]

 #accumulate total number of samples, overall sum and overall sum sq

 cumVal=0.0

 cumSumSq=0.0

 cumN=0.0

 for instance in mapperOut:

     nj = float(instance[0])

     cumN += nj

     cumVal += nj*float(instance[1])

     cumSumSq += nj*float(instance[2])

 #calculate means

 mean = cumVal/cumN

 meanSq = cumSumSq/cumN

 #output size, mean, mean(square values)

 print "%d\t%f\t%f" % (cumN, mean, meanSq)

 print >> sys.stderr, "report: still alive"

本地测试mrMeanMapper.py ,mrMeanReducer.py

cat inputFile.txt |python mrMeanMapper.py |python mrMeanReducer.py

我把 inputFile.txt，mrMeanMapper.py ,mrMeanReducer.py都放在了同一目录下 ~/zhangle/Ch15/hh/hh

所有的操作也都是这此目录下！！！

将inputFile.txt上传到hdfs

zhangle/mrmean-i 是HDFS上的目录

hadoop fs -put inputFile.txt zhangle/mrmean-i

运行Hadoop streaming

 hadoop jar /usr/programs/hadoop-2.4./share/hadoop/tools/lib/hadoop-streaming-2.4..jar  \

 -input zhangle/mrmean-i \

 -output zhangle/output12222 \

 -file mrMeanMapper.py \

 -file mrMeanReducer.py \

 -mapper "/home/orient/anaconda2/bin/python mrMeanMapper.py" \

 -reducer "/home/orient/anaconda2/bin/python mrMeanReducer.py"

参数解释：

第一行：/usr/programs/hadoop-2.4.0/share/hadoop/tools/lib/hadoop-streaming-2.4.0.jar 是我Hadoop streaming 所在的目录

第二行： zhangle/mrmean-i 是刚才将inputFile.txt 上传的目录

第三行：zhangle/mrmean-out12222 是结果输出目录，也是在HDFS上

第四行： mrMeanMapper.py是当前目录下的mapper程序

第五行： mrMeanRdeducer.py是当前目录下的reducer程序

第六行： /home/orient/anaconda2/bin/python 是anaconda2目录下的python ，如果去掉，会直接调用自带的python，自带python没有安装numpy等python包。！！

第七行：同第六行。

查看运行结果：

 hadoop fs -cat zhangle/output12222/part-

问题解决

1. 出现“Error: java.lang.RuntimeException: PipeMapRed.waitOutputThreads(): subprocess failed with code 1”的错误

解决方法：

在hadoop上实施MapReduce之前，一定要在本地运行一下你的python程序，看

首先进入包含map和reduce两个py脚本文件和数据文件inputFile.txt的文件夹中。然后输入一下命令，看是否执行通过：
cat inputFile.txt |python mrMeanMapper.py |python mrMeanReducer.py

2.出现错误：“Error: java.lang.RuntimeException: PipeMapRed.waitOutputThreads(): subprocess failed with code 2”，或者出现jar文件找不到的情况，或者出现输出文件夹已经存在的情况。

Mapper.py和Reduce.py的最前面要加上：#!/usr/bin/env python 这条语句
在Hadoop Streaming命令中，请确保按以下的格式来输入

 hadoop jar /usr/programs/hadoop-2.4./share/hadoop/tools/lib/hadoop-streaming-2.4..jar  \

 -input zhangle/mrmean-i \

 -output zhangle/output12222 \

 -file mrMeanMapper.py \

 -file mrMeanReducer.py \

 -mapper "/home/orient/anaconda2/bin/python mrMeanMapper.py" \

 -reducer "/home/orient/anaconda2/bin/python mrMeanReducer.py"

要确保jar文件的路径正确，hadoop 2.4版本的该文件是保存在：$HADOOP_HOME/share/hadoop/tools/lib/hadoop-streaming-2.4.0.jar中，不同的hadoop版本可能略有不同HDFS中的输出文件夹（这里是HDFS下的/user/hadoop/mr-ouput13），一定要是一个新的（之前不存在）的文件夹，因为即使上条Hadoop Streaming命令没有执行成功，仍然会根据你的命令来创建输出文件夹，而后面再输入Hadoop Streaming命令如果使用相同的输出文件夹时，就会出现“输出文件夹已经存在的错误”；参数 –file后面是map和reduce的脚本，路径可以是详细的绝对路径，，也可以是当前路径，当前路径下一定要有mapper，reducer 函数，但是在参数 -mapper 和-reducer之后，需要指定python脚本的环境目录，而且用引号引起来。

3.出现错误：“Error: java.lang.RuntimeException: PipeMapRed.waitOutputThreads(): subprocess failed with code 127”.

脚本环境的问题在第六行与第七行加上python 环境目录即可。

参考：

http://www.cnblogs.com/lzllovesyl/p/5286793.html

http://www.zhaizhouwei.cn/hadoop/190.html

http://blog.csdn.net/wangzhiqing3/article/details/8633208