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和Perl绘制中国北京跑步地图的方法
Mar 03 Python
Python的Flask框架应用程序实现使用QQ账号登录的方法
Jun 07 Python
Python3学习笔记之列表方法示例详解
Oct 06 Python
python实现k-means聚类算法
Feb 23 Python
Python根据文件名批量转移图片的方法
Oct 21 Python
使用50行Python代码从零开始实现一个AI平衡小游戏
Nov 21 Python
python中yield的用法详解——最简单,最清晰的解释
Apr 04 Python
python celery分布式任务队列的使用详解
Jul 08 Python
python excel转换csv代码实例
Aug 26 Python
基于Python实现大文件分割和命名脚本过程解析
Sep 29 Python
django使用graphql的实例
Sep 02 Python
python 实现非极大值抑制算法(Non-maximum suppression, NMS)
Oct 15 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
php 抽象类的简单应用
2011/09/06 PHP
php Imagick获取图片RGB颜色值
2014/07/28 PHP
PHP实现采集中国天气网未来7天天气
2014/10/15 PHP
PHP实现图片上传并压缩
2015/12/22 PHP
PHP中检索字符串的方法分析【strstr与substr_count方法】
2017/02/17 PHP
PHP获取中国时间(上海时区时间)及美国时间的方法
2017/02/23 PHP
php下载远程大文件(获取远程文件大小)的实例
2017/06/17 PHP
初探jquery——表单应用范例
2007/02/20 Javascript
ExtJs中简单的登录界面制作方法
2010/08/19 Javascript
表单元素的submit()方法和onsubmit事件应用概述
2013/02/01 Javascript
javascript中call和apply方法浅谈
2013/09/27 Javascript
javascript不可用的问题探究
2013/10/01 Javascript
JS测试显示屏分辨率以及屏幕尺寸的方法
2013/11/22 Javascript
详解JavaScript的AngularJS框架中的表达式与指令
2016/03/05 Javascript
微信小程序 vidao实现视频播放和弹幕的功能
2016/11/02 Javascript
Vue.js 和 MVVM 的注意事项
2016/11/07 Javascript
canvas绘图不清晰的解决方案
2017/02/28 Javascript
jQuery动态追加页面数据以及事件委托详解
2017/05/06 jQuery
angular6.x中ngTemplateOutlet指令的使用示例
2018/08/09 Javascript
React 组件中的 bind(this)示例代码
2018/09/16 Javascript
antd组件Upload实现自己上传的实现示例
2018/12/18 Javascript
node.js中ws模块创建服务端和客户端,网页WebSocket客户端
2019/03/06 Javascript
python装饰器深入学习
2018/04/06 Python
Python实现二维曲线拟合的方法
2018/12/29 Python
Python进阶之全面解读高级特性之切片
2019/02/19 Python
基于python实现自动化办公学习笔记(CSV、word、Excel、PPT)
2019/08/06 Python
Python脚本破解压缩文件口令实例教程(zipfile)
2020/06/14 Python
HTML5和以前HTML4的区别整理
2013/10/20 HTML / CSS
美国尼曼百货官网:Neiman Marcus
2019/09/05 全球购物
将n个数按输入顺序的逆序排列,用函数实现
2012/11/14 面试题
日本语毕业生自荐信
2014/02/01 职场文书
最新结婚典礼主持词
2014/03/14 职场文书
垃圾分类的活动方案
2014/08/15 职场文书
2014年文员工作总结
2014/11/18 职场文书
大学生社会服务心得体会
2016/01/22 职场文书
JavaWeb实现显示mysql数据库数据
2022/03/19 Java/Android