以前总是用java写一些MapReduce程序现举一个例子使用Python通过Hadoop Streaming来实现Mapreduce。
任务描述：
HDFS上有两个目录/a和/b，里面数据均有3列，第一列都是id，第二列是各自的业务类型(这里假设/a对应a，/b对应b)，第三列是一个json串。各举一例：
/a的一行：1234567 a {"name":"jiufeng","age":"27","sex":"male","school":"","status":["111","000","001"],...}
/b的一行：12345 b {"a":"abc","b":"adr","xxoo":"e",...}
要查找在/a中出现"status"且有"111"状态，而且要再/b中有这个id的所有id列表。
那么来吧，首先需要mapper来提取/a中满足"status"有"111"状态的id和第二列"a"、/b中所有行的前两列，python代码如下，mapper.py：
1 #!/usr/bin/env python 2 #coding = utf-8 3 4 import json 5 import sys 6 import traceback 7 import datetime,time 8 9 def mapper(): 10 for line in sys.stdin: 11 line = line.strip() 12 id,tag,content = line.split(' ') 13 if tag == 'a': 14 jstr = json.loads(content) 15 active = jstr.get('status',[]) 16 if "111" in active: 17 print '%s %s' %(id,tag) 18 if tag == 'b': 19 print '%s %s' % ( id,tag) 20 21 if __name__ == '__main__': 22 mapper()
这个mapper是从表中输入中提取数据，然后将满足条件的数据通过标准输出。然后是reducer.py：
1 #!/usr/bin/env python 2 #coding = utf-8 3 4 import sys 5 import json 6 7 def reducer(): 8 tag_a = 0 9 tag_b = 0 10 pre_id = '' 11 for line in sys.stdin: 12 line = line.strip() 13 current_id,tag = line.split(' ') 14 if current_id != pre_id: 15 if tag_a==1 and tag_b==1: 16 tag_a = 0 17 tag_b = 0 18 print '%s' % pre_id 19 else : 20 tag_a = 0 21 tag_b = 0 22 pre_id = current_id 23 if tag == 'a': 24 if tag_a == 0: 25 tag_a = 1 26 if tag == 'b': 27 if tag_b == 0: 28 tag_b = 1 29 if tag_b==1 and tag_b==1: 30 print '%s' % pre_id 31 32 if __name__ == '__main__': 33 reducer()
一个reducer可以接受N多行数据，不像java那样的一行对应一个key然后多个value，而是一个key对应一个value，但好在相同key的行都是连续的，只要在key变化的时候做一下处理就行。
然后安排让hadoop执行，schedule.py：
1 #!/usr/bin/env python 2 #coding = utf-8 3 4 import subprocess, os 5 import datetime 6 7 8 def mr_job(): 9 mypath = os.path.dirname(os.path.abspath(__file__)) 10 inputpath1 = '/b/*' 11 inputpath2 = '/a/*' 12 outputpath = '/out/' 13 mapper = mypath + '/mapper.py' 14 reducer = mypath + '/reducer.py' 15 cmds = ['$HADOOP_HOME/bin/hadoop', 'jar', '$HADOOP_HOME/contrib/streaming/hadoop-streaming-1.2.1.jar', 16 '-numReduceTasks', '40', 17 '-input', inputpath1, 18 '-input', inputpath2, 19 '-output', outputpath, 20 '-mapper', mapper, 21 '-reducer', reducer, 22 '-file', mapper, 23 '-file', reducer,] 24 for f in os.listdir(mypath): 25 cmds.append(mypath + '/' + f) 26 cmd = ['$HADOOP_HOME/bin/hadoop', 'fs', '-rmr', outputpath] 27 subprocess.call(cmd) 28 subprocess.call(cmds) 29 30 31 def main(): 32 mr_job() 33 34 if __name__ == '__main__': 35 main()
schedule.py就是执行MapReduce的地方通过调用hadoop-streamingXXX.jar会通过调用shell命令来提交job，另外可以配置一下参数，shell命令会将制定的文件上传到hdfs然后分发到各个节点执行。。。$HADOOP_HOME就是hadoop的安装目录。。。mapper和reducer的python脚本的名字无所谓，方法名无所谓因为在配置shell执行命令时已经指定了
上述是一个很简单的python_hadoop-streamingXXX例子。。。。