Hadoop（三）：MapReduce程序（python）

使用python语言进行MapReduce程序开发主要分为两个步骤，一是编写程序，二是用Hadoop Streaming命令提交任务。

还是以词频统计为例

一、程序开发
1、Mapper

 for line in sys.stdin:
     filelds = line.strip.split(' ')
     for item in fileds:
         print item+' '+''

2、Reducer

 import sys

 result={}
 for line in  sys.stdin:
     kvs = line.strip().split(' ')
     k = kvs[0]
     v = kvs[1]
     if k in result:
         result[k]+=1
     else:
         result[k] = 1
 for k,v in result.items():
     print k+' '+v

....

写完发现其实只用map就可以处理了...reduce只用cat就好了

3、运行脚本

1）Streaming简介

　　Hadoop的MapReduce和HDFS均采用Java进行实现，默认提供Java编程接口，用户通过这些编程接口，可以定义map、reduce函数等等。
　　但是如果希望使用其他语言编写map、reduce函数怎么办呢？
　　Hadoop提供了一个框架Streaming，Streaming的原理是用Java实现一个包装用户程序的MapReduce程序，该程序负责调用hadoop提供的Java编程接口。

2）运行命令

　　/.../bin/hadoop streaming

　　-input /..../input

　　-output /..../output

　　-mapper "mapper.py"

　　-reducer "reducer.py"

　　-file mapper.py

　　-file reducer.py

　　-D mapred.job.name ="wordcount"

　　-D mapred.reduce.tasks = "1"

3）Streaming常用命令

（1）-input <path>：指定作业输入，path可以是文件或者目录，可以使用*通配符，-input选项可以使用多次指定多个文件或目录作为输入。

（2）-output <path>：指定作业输出目录，path必须不存在，而且执行作业的用户必须有创建该目录的权限，-output只能使用一次。

（3）-mapper：指定mapper可执行程序或Java类，必须指定且唯一。

（4）-reducer：指定reducer可执行程序或Java类，必须指定且唯一。

（5）-file, -cacheFile, -cacheArchive：分别用于向计算节点分发本地文件、HDFS文件和HDFS压缩文件，具体使用方法参考文件分发与打包。

（6）numReduceTasks：指定reducer的个数，如果设置-numReduceTasks 0或者-reducer NONE则没有reducer程序，mapper的输出直接作为整个作业的输出。

（7）-jobconf | -D NAME=VALUE：指定作业参数，NAME是参数名，VALUE是参数值，可以指定的参数参考hadoop-default.xml。

　　 -jobconf mapred.job.name='My Job Name'设置作业名

　　 -jobconf mapred.job.priority=VERY_HIGH | HIGH | NORMAL | LOW | VERY_LOW设置作业优先级

　　 -jobconf mapred.job.map.capacity=M设置同时最多运行M个map任务

　　 -jobconf mapred.job.reduce.capacity=N设置同时最多运行N个reduce任务

　　 -jobconf mapred.map.tasks 设置map任务个数

　　 -jobconf mapred.reduce.tasks 设置reduce任务个数　　

　　 -jobconf mapred.compress.map.output 设置map的输出是否压缩

　　 -jobconf mapred.map.output.compression.codec 设置map的输出压缩方式　　

　　 -jobconf mapred.output.compress 设置reduce的输出是否压缩

　　 -jobconf mapred.output.compression.codec 设置reduce的输出压缩方式

　　 -jobconf stream.map.output.field.separator 设置map输出分隔符

　　　　例子：-D stream.map.output.field.separator=: \  以冒号进行分隔

　　　　 -D stream.num.map.output.key.fields=2 \  指定在第二个冒号处进行分隔，也就是第二个冒号之前的作为key，之后的作为value

（8）-combiner：指定combiner Java类，对应的Java类文件打包成jar文件后用-file分发。

（9）-partitioner：指定partitioner Java类，Streaming提供了一些实用的partitioner实现，参考KeyBasedFiledPartitoner和IntHashPartitioner。

（10）-inputformat, -outputformat：指定inputformat和outputformat Java类，用于读取输入数据和写入输出数据，分别要实现InputFormat和OutputFormat接口。如果不指定，默认使用TextInputFormat和TextOutputFormat。

（11）cmdenv NAME=VALUE：给mapper和reducer程序传递额外的环境变量，NAME是变量名，VALUE是变量值。

（12）-mapdebug, -reducedebug：分别指定mapper和reducer程序失败时运行的debug程序。

（13）-verbose：指定输出详细信息，例如分发哪些文件，实际作业配置参数值等，可以用于调试。