亚洲免费在线-亚洲免费在线播放-亚洲免费在线观看-亚洲免费在线观看视频-亚洲免费在线看-亚洲免费在线视频

用python + hadoop streaming 分布式編程(一

系統 1680 0

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。

用python + hadoop streaming 分布式編程(一) -- 原理介紹,樣例程序與本地調試_第1張圖片

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。

用python + hadoop streaming 分布式編程(一) -- 原理介紹,樣例程序與本地調試_第2張圖片

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】

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,請用微信掃描上面二維碼支持博主2元、5元、10元、自定義金額等您想捐的金額吧,站長會非常 感謝您的哦!!!

發表我的評論
最新評論 總共0條評論
主站蜘蛛池模板: 不卡国产在线 | 国产亚洲一区在线 | 四虎影院永久网站 | 日本一级毛片中文字幕 | 亚洲精品久久久午夜伊人 | 综合免费一区二区三区 | 亚洲一区二区精品视频 | 欧美高清69hd | 一级毛片一级毛片免费毛片 | 国产99欧美精品久久精品久久 | 91亚色视频在线观看 | 国产一级理论免费版 | 丁香狠狠色婷婷久久综合 | 欧美一区二区三区综合色视频 | 99re国产精品视频首页 | 免费国产a国产片高清不卡 免费国产阿v视频在线观看 | 国产伦一区二区三区四区久久 | 久久乐国产精品亚洲综合m3u8 | 国产成人一区二区三中文 | 91九色国产| 久草久草 | 777色狠狠一区二区三区 | 色播99| 99久久精品国产一区二区 | 中国老太婆bbbbbxxxxx | 精品亚洲一区二区三区 | 四虎永久网址在线观看 | 中文字幕 亚洲精品 | 精品国产一区二区三区四区不 | 天堂亚洲国产日韩在线看 | 亚洲综合五月天 | 天天干天天玩天天操 | 奇米影视777me | 亚欧aⅴ天堂在线 | 久久精品国产亚洲香蕉 | 中文字幕日韩在线 | 中文字幕 国产精品 | 亚洲精品久久久中文字幕 | 九九精品热| 思思久久这里只精品99re66 | 99久久精品费精品国产 |