MapReduce與HDFS簡介
什么是Hadoop?
Google為自己的業務需要提出了編程模型MapReduce和分布式文件系統Google File System,并發布了相關論文(可在Google Research的網站上獲得: GFS 、 MapReduce)。 Doug Cutting和Mike Cafarella在開發搜索引擎Nutch時對這兩篇論文做了自己的實現,即同名的MapReduce和HDFS,合起來就是Hadoop。
MapReduce的Data flow如下圖,原始數據經過mapper處理,再進行partition和sort,到達reducer,輸出最后結果。
圖片來自Hadoop: The Definitive Guide
Hadoop Streaming原理
Hadoop本身是用Java開發的,程序也需要用Java編寫,但是通過Hadoop Streaming,我們可以使用任意語言來編寫程序,讓Hadoop運行。
Hadoop Streaming的相關源代碼可以在Hadoop的Github repo 查看。簡單來說,就是通過將用其他語言編寫的mapper和reducer通過參數傳給一個事先寫好的Java程序(Hadoop自帶的*-streaming.jar),這個Java程序會負責創建MR作業,另開一個進程來運行mapper,將得到的輸入通過stdin傳給它,再將mapper處理后輸出到stdout的數據交給Hadoop,partition和sort之后,再另開進程運行reducer,同樣地通過stdin/stdout得到最終結果。因此,我們只需要在其他語言編寫的程序里,通過stdin接收數據,再將處理過的數據輸出到stdout,Hadoop streaming就能通過這個Java的wrapper幫我們解決中間繁瑣的步驟,運行分布式程序。
圖片來自Hadoop: The Definitive Guide
原理上只要是能夠處理stdio的語言都能用來寫mapper和reducer,也可以指定mapper或reducer為Linux下的程序(如awk、grep、cat)或者按照一定格式寫好的java class。因此,mapper和reducer也不必是同一類的程序。
Hadoop Streaming的優缺點
優點
可以使用自己喜歡的語言來編寫MapReduce程序(換句話說,不必寫Java XD)
不需要像寫Java的MR程序那樣import一大堆庫,在代碼里做一大堆配置,很多東西都抽象到了stdio上,代碼量顯著減少
因為沒有庫的依賴,調試方便,并且可以脫離Hadoop先在本地用管道模擬調試
缺點
只能通過命令行參數來控制MapReduce框架,不像Java的程序那樣可以在代碼里使用API,控制力比較弱,有些東西鞭長莫及
因為中間隔著一層處理,效率會比較慢
所以Hadoop Streaming比較適合做一些簡單的任務,比如用python寫只有一兩百行的腳本。如果項目比較復雜,或者需要進行比較細致的優化,使用Streaming就容易出現一些束手束腳的地方。
用python編寫簡單的Hadoop Streaming程序
這里提供兩個例子:
Michael Noll的word count程序
Hadoop: The Definitive Guide里的例程
使用python編寫Hadoop Streaming程序有幾點需要注意:
在能使用iterator的情況下,盡量使用iterator,避免將stdin的輸入大量儲存在內存里,否則會嚴重降低性能
streaming不會幫你分割key和value傳進來,傳進來的只是一個個字符串而已,需要你自己在代碼里手動調用split()
從stdin得到的每一行數據末尾似乎會有\n,保險起見一般都需要使用rstrip()來去掉
在想獲得K-V list而不是一個個處理key-value pair時,可以使用groupby配合itemgetter將key相同的k-v pair組成一個個group,得到類似Java編寫的reduce可以直接獲取一個Text類型的key和一個iterable作為value的效果。注意itemgetter的效率比lambda表達式要高,所以如果需求不是很復雜的話,盡量用itemgetter比較好。
我在編寫Hadoop Streaming程序時的基本模版是
#!/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()
如果對輸入輸出格式有不同于默認的控制,主要會在read_input()里調整。
本地調試
本地調試用于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 >
這里有幾點需要注意:
Hadoop默認按照tab來分割key和value,以第一個分割出的部分為key,按key進行排序,因此這里使用
sort -t $'\t' -k1,1
來模擬。如果你有其他需求,在交給Hadoop Streaming執行時可以通過命令行參數調,本地調試也可以進行相應的調整,主要是調整sort的參數。因此為了能夠熟練進行本地調試,建議先掌握sort命令的用法。
如果你在python腳本里加上了shebang,并且為它們添加了執行權限,也可以用類似于
./mapper.py
來代替
python mapper.py
更多文章、技術交流、商務合作、聯系博主
微信掃碼或搜索:z360901061

微信掃一掃加我為好友
QQ號聯系: 360901061
您的支持是博主寫作最大的動力,如果您喜歡我的文章,感覺我的文章對您有幫助,請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧,狠狠點擊下面給點支持吧,站長非常感激您!手機微信長按不能支付解決辦法:請將微信支付二維碼保存到相冊,切換到微信,然后點擊微信右上角掃一掃功能,選擇支付二維碼完成支付。
【本文對您有幫助就好】元
