【转】用python写MapReduce函数——以WordCount为例
本例中直接用python写一个MapReduce实例:统计输入文件的单词的词频
使用python写MapReduce的“诀窍”是利用Hadoop流的API,通过STDIN(标准输入)、STDOUT(标准输出)在Map函数和Reduce函数之间传递数据。
我们唯一需要做的是利用Python的sys.stdin读取输入数据,并把我们的输出传送给sys.stdout。Hadoop流将会帮助我们处理别的任何事情。
1、map函数(mapper.py)
#!/usr/bin/env python import sys for line in sys.stdin: line = line.strip() words = line.split() for word in words: print "%s\t%s" % (word, 1)
文件从STDIN读取文件。把单词切开,并把单词和词频输出STDOUT。Map脚本不会计算单词的总数,而是输出<word> 1。在我们的例子中,我们让随后的Reduce阶段做统计工作。
2、reduce函数(reducer.py)
#!/usr/bin/env python from operator import itemgetter import sys current_word = None current_count = 0 word = None for line in sys.stdin: line = line.strip() word, count = line.split('\t', 1) try: count = int(count) except ValueError: #count如果不是数字的话,直接忽略掉 continue if current_word == word: current_count += count else: if current_word: print "%s\t%s" % (current_word, current_count) current_count = count current_word = word if word == current_word: #不要忘记最后的输出 print "%s\t%s" % (current_word, current_count)
文件会读取mapper.py 的结果作为reducer.py 的输入,并统计每个单词出现的总的次数,把最终的结果输出到STDOUT。
细节:split('\t', 1),表示只截取一次
3、执行
(1)本地测试
cat input | python mapper.py | sort -k1,1| python reducer.py
(2)hadoop测试
/home/work/tools/hadoop/bin/hadoop streaming \
-Dmapred.job.name="test-job" \
-Dmapred.job.priority=NORMAL \
-Dmapred.reduce.tasks=1 \
-mapper 'python mapper.py' \
-reducer 'python reducer.py' \
-file /home/work/code/mapper.py \
-file /home/work/code/reducer.py \
-input hdfs://data/input \
-output hdfs://data/output