你好,游客 登录 注册 发布搜索
背景:
阅读新闻

用python + hadoop编写分布式程序

[日期:2014-10-23] 来源:  作者: [字体: ]

  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。

  

 

  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。

  

 

  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

  

复制代码

 

  #!/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()

  

复制代码

 

  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 | python | sort -t $'\t' -k1,1 | python >

  或者如果不想用多余的cat,也可以用<定向

  $ python < | sort -t $'\t' -k1,1 | python >

  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

 

  原文链接:http://www.cnblogs.com/joyeecheung/p/3757915.html

收藏 推荐 打印 | 录入:574107552 | 阅读:
相关新闻      
本文评论   查看全部评论 (0)
表情: 表情 姓名: 字数
点评:
       
评论声明
  • 尊重网上道德,遵守中华人民共和国的各项有关法律法规
  • 承担一切因您的行为而直接或间接导致的民事或刑事法律责任
  • 本站管理人员有权保留或删除其管辖留言中的任意内容
  • 本站有权在网站内转载或引用您的评论
  • 参与本评论即表明您已经阅读并接受上述条款