在hadoop上用Python實現WordCount

一、簡單說明

　　本例中我們用Python寫一個簡單的運行在Hadoop上的MapReduce程序，即WordCount（讀取文本文件並統計單詞的詞頻）。這裏我們將要輸入的單詞文本input.txt和Python腳本放到/home/data/python/WordCount目錄下。

cd /home/data/python/WordCount

vi input.txt

輸入：

There is no denying that

hello python

hello mapreduce

mapreduce is good

二、編寫Map代碼

　　這裏我們創建一個mapper.py腳本，從標準輸入(stdin)讀取數據，默認以空格分隔單詞，然後按行輸出單詞機器詞頻到標準輸出(stdout)，整個Map處理過程不會統計每個單詞出現的總次數，而是直接輸出“word 1”,以便作為Reduce的輸入進行統計，確保該文件是可執行的（chmod +x /home/data/python//WordCount/mapper.py)。

cd /home/data/python//WordCount

vi mapper.py

#!/usr/bin/env python
# -*- coding:UTF-8 -*-

import sys

#輸入為標準輸入stdin

for line in sys.stdin:

#刪除開頭和結尾的空格

line = line.strip()

#以默認空格分隔行單詞到words列表

words = line.split()

for word in words:

#輸出所有單詞，格式為“單詞，1”以便作為Reduce的輸入

print(‘%s\t%s‘ %(word,1))

#截圖如下：

三、編寫Reduce代碼

　　這裏我們創建一個reducer.py腳本，從標準輸入(stdin)讀取mapper.py的結果，然後統計每個單詞出現的總次數並輸出到標準輸出(stdout)，

確保該文件是可執行的（chmod +x /home/data/python//WordCount/reducer.py)

cd /home/data/python//WordCount

vi reducer.py

#!/usr/bin/env python

# -*- coding:UTF-8 -*-

import sys

current_word = None

current_count = 0

word = None

#獲取標準輸入，即mapper.py的輸出

for line in sys.stdin:

#刪除開頭和結尾的空格

line = line.strip()

#解析mapper.py輸出作為程序的輸入，以tab作為分隔符

word,count = line.split(‘\t‘,1)

#轉換count從字符型為整型

try:

　　 count = int(count)

except ValueError:

#count不是數據時，忽略此行

continue

#要求mapper.py的輸出做排序操作，以便對連接的word做判斷，hadoop會自動排序

if current_word == word:

current_count += count

else:

if current_word:

#輸出當前word統計結果到標準輸出

print(‘%s\t%s‘ %(current_word,current_count))

current_count = count

current_word = word

#輸出最後一個word統計

if current_word == word

print(‘%s\%s‘ %(current_word,current_count))

#截圖如下：

四、本地測試代碼

　　我們可以在Hadoop平臺運行之前在本地測試，校驗mapper.py與reducer.py運行的結果是否正確。註意：測試reducer.py時需要對mapper.py的輸出做排序(sort)操作，不過，Hadoop環境會自動實現排序。

#在本地運行mapper.py:

cd /home/data/python/WordCount/

#記得執行： chmod +x /home/data/python//WordCount/mapper.py

cat input.txt | ./mapper.py

#在本地運行reducer.py

#記得執行：chmod +x /home/data/python//WordCount/reducer.py

cat input.txt | ./mapper.py | sort -k1,1 | ./reducer.py

五、在Hadoop平臺上運行代碼

在hadoop運行代碼，前提是已經搭建好hadoop集群

1、創建目錄並上傳文件

　　首先在HDFS上創建文本文件存儲目錄，這裏我創建為：/WordCound

hdfs dfs -mkdir /WordCound

#將本地文件input.txt上傳到hdfs的/WordCount上。

hadoop fs -put /home/data/python/WordCount/input.txt /WordCount

hadoop fs -ls /WordCount #查看在hdfs中/data/WordCount目錄下的內容

2、執行MapReduce程序

　　為了簡化我們執行Hadoop MapReduce的命令，我們可以將Hadoop的hadoop-streaming-3.0.0.jar加入到系統環境變量/etc/profile中，在/etc/profile文件中添加如下配置：

首先在配置裏導入hadoop-streaming-3.0.0.jar

vi /etc/profile

HADOOP_STREAM=$HADOOP_HOME/share/hadoop/tools/lib/hadoop-streaming-3.0.0.jar

export HADOOP_STREAM

source /etc/profile #刷新配置

#執行以下命令:

hadoop jar $HADOOP_STREAM -file /home/data/python/WordCount/mapper.py -mapper ./mapper.py -file /home/data/python/WordCount/reducer.py -reducer ./reducer.py -input /WordCount -output /output/word1

得到：

然後，輸入以下命令查看結果：

hadoop fs -ls /output/word1

hadoop fs -cat /output/word1/part-00000 #查看分析結果

可以發現，結果與之前測試的時候是一致的，那麽恭喜你，大功告成！

在Hadoop上用Python實現WordCount