用PHP编写Hadoop的MapReduce程序
用PHP写hadoop的mapreduce程序
Hadoop本身是Java写的，所以，给hadoop写mapreduce，人们会自然地想到java
但hadoop里面有个contrib叫做hadoop streaming，这是一个小工具，为hadoop提供streaming支持，使得任何支持标准IO (stdin, stdout)的可执行程序都能成为hadoop的mapper 或者 reducer
例如：hadoop jar hadoop-streaming.jar -input SOME_INPUT_DIR_OR_FILE -output SOME_OUTPUT_DIR -mapper /bin/cat -reducer /usr/bin/wc
在这个例子里，就使用了Unix/Linux自带的cat和wc工具来作为mapper / reducer，是不是很神奇？
如果你习惯了使用一些动态语言，用动态语言来写mapreduce吧，跟之前的编程没有任何不同，hadoop只是运行它的一个框架，下面我演示一下用PHP来实现Word Counter的mapreduce。
找到streaming jar
hadoop根目录下是没有hadoop-streaming.jar的，因为streaming是一个contrib，所以要去contrib下面找，以hadoop-0.20.2为例，它在这里：
$HADOOP_HOME/contrib/streaming/hadoop-0.20.2-streaming.jar
写mapper
新建一个wc_mapper.php，写入如下代码：
#!/usr/bin/php <?php $in = fopen(“php://stdin”, “r”); $results = array(); while ( $line = fgets($in, 4096) ) { $words = preg_split(‘/\W/’, $line, 0, PREG_SPLIT_NO_EMPTY); foreach ($words as $word) $results[] = $word; } fclose($in); foreach ($results as $key => $value) { print “$value\t1\n”; }
?>
这段代码的大致意思是：把输入的每行文本中的单词找出来，并以”
hello 1
world 1″
这样的形式输出出来。
和之前写的PHP基本没有什么不同，对吧，可能稍微让你感到陌生有两个地方：
PHP作为可执行程序
第一行的“#!/usr/bin/php”告诉linux，要用/usr/bin/php这个程序作为以下代码的解释器。写过linux shell的人应该很熟悉这种写法了，每个shell脚本的第一行都是这样: #!/bin/bash, #!/usr/bin/python
有了这一行，保存好这个文件以后，就可以像这样直接把wc_mapper.php当作cat, grep一样的命令执行了：./wc_mapper.php
使用stdin接收输入
PHP支持多种参数传入的方法，大家最熟悉的应该是从$_GET, $_POST超全局变量里面取通过Web传递的参数，次之是从$_SERVER['argv']里取通过命令行传入的参数，这里，采用的是标准输入stdin
它的使用效果是：
在linux控制台输入 ./wc_mapper.php
wc_mapper.php运行，控制台进入等候用户键盘输入状态
用户通过键盘输入文本
用户按下Ctrl + D终止输入，wc_mapper.php开始执行真正的业务逻辑，并将执行结果输出
那么stdout在哪呢？print本身已经就是stdout啦，跟我们以前写web程序和CLI脚本没有任何不同。
写reducer
新建一个wc_reducer.php，写入如下代码：
#!/usr/bin/php <?php $in = fopen(“php://stdin”, “r”); $results = array(); while ( $line = fgets($in, 4096) ) { list($key, $value) = preg_split(“/\t/”, trim($line), 2); $results[$key] += $value; } fclose($in); ksort($results); foreach ($results as $key => $value) { print “$key\t$value\n”; }
?>
这段代码的大意是统计每个单词出现了多少次，并以”
hello 2
world 1″
这样的形式输出
用hadoop来运行
上传要统计的示例文本
hadoop fs -put *.TXT /tmp/input
以Streaming方式执行PHP mapreduce程序
hadoop jar hadoop-0.20.2-streaming.jar -input /tmp/input -output /tmp/output -mapper wc_mapper.php的绝对路径 -reducer wc_reducer.php的绝对路径
注意：
input和output目录是在hdfs上的路径
mapper和reducer是在本地机器的路径，一定要写绝对路径，不要写相对路径，以免到时候hadoop报错说找不到mapreduce程序
查看结果
hadoop fs -cat /tmp/output/part-00000
