用python + hadoop streaming 分布式编程(一) -- 原理介绍,样例程序与本地调试


Posted in Python onJuly 14, 2014

MapReduce与HDFS简介
什么是Hadoop?

Google为自己的业务需要提出了编程模型MapReduce和分布式文件系统Google File System,并发布了相关论文(可在Google Research的网站上获得: GFS 、 MapReduce)。 Doug Cutting和Mike Cafarella在开发搜索引擎Nutch时对这两篇论文做了自己的实现,即同名的MapReduce和HDFS,合起来就是Hadoop。

MapReduce的Data flow如下图,原始数据经过mapper处理,再进行partition和sort,到达reducer,输出最后结果。

用python + hadoop streaming 分布式编程(一) -- 原理介绍,样例程序与本地调试

图片来自Hadoop: The Definitive Guide

Hadoop Streaming原理
Hadoop本身是用Java开发的,程序也需要用Java编写,但是通过Hadoop Streaming,我们可以使用任意语言来编写程序,让Hadoop运行。

Hadoop Streaming的相关源代码可以在Hadoop的Github repo 查看。简单来说,就是通过将用其他语言编写的mapper和reducer通过参数传给一个事先写好的Java程序(Hadoop自带的*-streaming.jar),这个Java程序会负责创建MR作业,另开一个进程来运行mapper,将得到的输入通过stdin传给它,再将mapper处理后输出到stdout的数据交给Hadoop,partition和sort之后,再另开进程运行reducer,同样地通过stdin/stdout得到最终结果。因此,我们只需要在其他语言编写的程序里,通过stdin接收数据,再将处理过的数据输出到stdout,Hadoop streaming就能通过这个Java的wrapper帮我们解决中间繁琐的步骤,运行分布式程序。

用python + hadoop streaming 分布式编程(一) -- 原理介绍,样例程序与本地调试

图片来自Hadoop: The Definitive Guide

原理上只要是能够处理stdio的语言都能用来写mapper和reducer,也可以指定mapper或reducer为Linux下的程序(如awk、grep、cat)或者按照一定格式写好的java class。因此,mapper和reducer也不必是同一类的程序。

Hadoop Streaming的优缺点

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
所以Hadoop Streaming比较适合做一些简单的任务,比如用python写只有一两百行的脚本。如果项目比较复杂,或者需要进行比较细致的优化,使用Streaming就容易出现一些束手束脚的地方。

用python编写简单的Hadoop Streaming程序

这里提供两个例子:

Michael Noll的word count程序
Hadoop: The Definitive Guide里的例程
使用python编写Hadoop Streaming程序有几点需要注意:

在能使用iterator的情况下,尽量使用iterator,避免将stdin的输入大量储存在内存里,否则会严重降低性能

streaming不会帮你分割key和value传进来,传进来的只是一个个字符串而已,需要你自己在代码里手动调用split()

从stdin得到的每一行数据末尾似乎会有\n,保险起见一般都需要使用rstrip()来去掉

在想获得K-V list而不是一个个处理key-value pair时,可以使用groupby配合itemgetter将key相同的k-v pair组成一个个group,得到类似Java编写的reduce可以直接获取一个Text类型的key和一个iterable作为value的效果。注意itemgetter的效率比lambda表达式要高,所以如果需求不是很复杂的话,尽量用itemgetter比较好。

我在编写Hadoop Streaming程序时的基本模版是

#!/usr/bin/env python
# -*- coding: utf-8 -*-
"""
Some description here...
"""

import sys
from operator import itemgetter
from itertools import groupby

def read_input(file):
 """Read input and split."""
 for line in file:
  yield line.rstrip().split('\t')

def main():
 data = read_input(sys.stdin)
 for key, kviter in groupby(data, itemgetter(0)):
  # some code here..

if __name__ == "__main__":
 main()

如果对输入输出格式有不同于默认的控制,主要会在read_input()里调整。

本地调试

本地调试用于Hadoop Streaming的python程序的基本模式是:

$ cat <input path> | python <path to mapper script> | sort -t $'\t' -k1,1 | python <path to reducer script> > <output path>

或者如果不想用多余的cat,也可以用<定向

$ python <path to mapper script> < <input path> | sort -t $'\t' -k1,1 | python <path to reducer script> > <output path>

这里有几点需要注意:

Hadoop默认按照tab来分割key和value,以第一个分割出的部分为key,按key进行排序,因此这里使用

sort -t $'\t' -k1,1
来模拟。如果你有其他需求,在交给Hadoop Streaming执行时可以通过命令行参数调,本地调试也可以进行相应的调整,主要是调整sort的参数。因此为了能够熟练进行本地调试,建议先掌握sort命令的用法。

如果你在python脚本里加上了shebang,并且为它们添加了执行权限,也可以用类似于

./mapper.py

来代替

python mapper.py
Python 相关文章推荐
python切换hosts文件代码示例
Dec 31 Python
Python中解析JSON并同时进行自定义编码处理实例
Feb 08 Python
Python装饰器(decorator)定义与用法详解
Feb 09 Python
python实现excel读写数据
Mar 02 Python
python opencv人脸检测提取及保存方法
Aug 03 Python
Python设计模式之工厂方法模式实例详解
Jan 18 Python
python原类、类的创建过程与方法详解
Jul 19 Python
python groupby 函数 as_index详解
Dec 16 Python
python中sklearn的pipeline模块实例详解
May 21 Python
Python读取多列数据以及用matplotlib制作图表方法实例
Sep 23 Python
calendar在python3时间中常用函数举例详解
Nov 18 Python
Python中快速掌握Data Frame的常用操作
Mar 31 Python
用python + openpyxl处理excel2007文档思路以及心得
Jul 14 #Python
Python库urllib与urllib2主要区别分析
Jul 13 #Python
Python文件夹与文件的操作实现代码
Jul 13 #Python
分享15个最受欢迎的Python开源框架
Jul 13 #Python
使用 Python 获取 Linux 系统信息的代码
Jul 13 #Python
Python文件操作类操作实例详解
Jul 11 #Python
Python编写检测数据库SA用户的方法
Jul 11 #Python
You might like
WordPress中用于检索模版的相关PHP函数使用解析
2015/12/15 PHP
php实现的生成迷宫与迷宫寻址算法完整实例
2017/11/06 PHP
fix-ie5.js扩展在IE5下不能使用的几个方法
2007/08/20 Javascript
Google Map API更新实现用户自定义标注坐标
2009/07/29 Javascript
利用NodeJS和PhantomJS抓取网站页面信息以及网站截图
2013/11/18 NodeJs
javascript+html5实现仿flash滚动播放图片的方法
2015/04/27 Javascript
jQuery的事件委托实例分析
2015/07/15 Javascript
jQuery下拉友情链接美化效果代码分享
2015/08/26 Javascript
Javascript之Date对象详解
2016/06/07 Javascript
Vue开发中整合axios的文件整理
2017/04/29 Javascript
vue.js组件之间传递数据的方法
2017/07/10 Javascript
详解Vue + Vuex 如何使用 vm.$nextTick
2017/11/20 Javascript
vue 动态修改a标签的样式的方法
2018/01/18 Javascript
vue 实现axios拦截、页面跳转和token 验证
2018/07/17 Javascript
微信小程序使用gitee进行版本管理
2018/09/20 Javascript
详解vue父子组件关于模态框状态的绑定方案
2019/06/05 Javascript
ES6 let和const定义变量与常量的应用实例分析
2019/06/27 Javascript
js HTML DOM EventListener功能与用法实例分析
2020/04/27 Javascript
原生js实现无缝轮播图效果
2021/01/28 Javascript
[00:50]深扒TI7聊天轮盘语音出处6
2017/05/11 DOTA
python根据开头和结尾字符串获取中间字符串的方法
2015/03/26 Python
Python实现 多进程导入CSV数据到 MySQL
2017/02/26 Python
Python 实现域名解析为ip的方法
2019/02/14 Python
学习python可以干什么
2019/02/26 Python
Python3.5装饰器原理及应用实例详解
2019/04/30 Python
python实现基于朴素贝叶斯的垃圾分类算法
2019/07/09 Python
python实现每天自动签到领积分的示例代码
2020/08/18 Python
解决python打开https出现certificate verify failed的问题
2020/09/03 Python
python中K-means算法基础知识点
2021/01/25 Python
Fossil美国官网:化石手表、手袋、首饰及配饰
2019/02/17 全球购物
为什么会有内存对齐
2016/10/10 面试题
机械机修工岗位职责
2014/08/03 职场文书
学习群众路线的心得体会
2014/11/05 职场文书
2015年秋学期师德师风建设工作总结
2015/10/23 职场文书
嵌入式Redis服务器在Spring Boot测试中的使用教程
2021/07/21 Redis
Python 避免字典和元组的多重嵌套问题
2022/07/15 Python