使用 Hadoop Streaming 编写 MapReduce 应用程序

介绍

Hadoop Common（最初称为 Hadoop Core）是任何 Hadoop 生态系统的核心组件的集合。这些通用库和服务支持 Hadoop 生态系统的其他成员。有两个组件构成了 Hadoop 的基本功能：分布式存储（称为 HDFS）和分布式计算（称为 MapReduce）。

本指南将向您展示如何使用 Hadoop 流式传输工具来利用 Hadoop 的核心 MapReduce 功能。这样您就可以使用任何编程语言编写 MapReduce 应用程序，只要它具有映射器和缩减器功能即可。

MapReduce 回顾

MapReduce框架是当今大多数数据密集型框架的基础。下图说明了基本的 MapReduce 字数统计流程。

首先将文本语料库分成初始<key,value>对。以文本作为输入，初始<key,value>对是行和行的内容。之后，映射器函数将这些初始<key,value>对分成中间键值对。在这种情况下，单词的每个实例都映射到值 1。然后，shuffle 阶段按键对每个<key,value>对进行排序，以便Reducer可以负责聚合这些对以获得最终结果。

MapReduce 代码

Hadoop Streaming实用程序允许您以任何语言提交可执行文件，只要它遵循 MapReduce 标准即可。这将允许您编写原始 MapReduce 代码而无需抽象层。

以下是名为wordSplitter.py的映射器函数示例，它将一行中的每个单词分成一个<key,value>对。代码循环遍历给定行中的每个单词，并返回一个以制表符分隔的单词和数字对。关键字LongValueSum向 Hadoop 的内置聚合缩减器发出信号，表示需要对对中的值进行总计。

      #!/usr/bin/python
import sys 
import re 

def main(argv): 
    pattern = re.compile("[a-zA-Z][a-zA-Z0-9]*") 
    for line in sys.stdin: 
        for word in pattern.findall(line): 
            print("LongValueSum:" + word.lower() + "\t" + "1" )

if __name__ == "__main__": 
    main(sys.argv)
    

下面是一个Reducer.py函数的示例。此函数的作用是维护每个键的运行总数。由于所有数据都按键排序，因此一旦函数到达特定键的最后一个实例，聚合即视为完成。到达最后一个键后，Hadoop Streaming 便可以对下一个键调用 Reducer 函数，依此类推。

      #!/usr/bin/env python
 
import sys
 
last_key = None
running_total = 0
 
for input_line in sys.stdin:
   input_line = input_line.strip()
   this_key, value = input_line.split("\t", 1)
   value = int(value)
 
   if last_key == this_key:
       running_total += value
   else:
       if last_key:
           print( "%s\t%d" % (last_key, running_total) )
       running_total = value
       last_key = this_key
 
if last_key == this_key:
   print( "%s\t%d" % (last_key, running_total) )
    

但是，对于简单的聚合（如字数统计）或简单的总计值，Hadoop 有一个名为aggregate的内置reducer 。以下是使用自定义映射器但内置聚合reducer运行Hadoop Streaming作业的脚本示例。

      hadoop-streaming -mapper wordSplitter.py \
-reducer aggregate \
-input <input location> \
-output <output location> \
-file myPythonScript.py # Location of the script in HDFS, S3, or other storage
    

wordSplitter.py文件应存储在分布式存储中，通常是 HDFS 或 Amazon S3。然后应将文件的位置作为参数传递给hadoop-streamin 。如果您使用自定义 Reducer ，则还需要传入自定义 Reducer 脚本。

结论

Hadoop Streaming 是 Hadoop 开发人员最先学习的内容之一。它提供了一个简单的接口来编写 MapReduce 代码，但它通过强制开发人员编写原始 MapReduce 代码来消除 Hive 或 Pig 的抽象层。它是 Hadoop 的核心组件之一，应该存在于所有 Hadoop 部署和发行版中。

_{免责声明：本内容来源于第三方作者授权、网友推荐或互联网整理，旨在为广大用户提供学习与参考之用。所有文本和图片版权归原创网站或作者本人所有，其观点并不代表本站立场。如有任何版权侵犯或转载不当之情况，请与我们取得联系，我们将尽快进行相关处理与修改。感谢您的理解与支持！}

_查看原文