使得任何支持標准IO (stdin, stdout)的可執行程序都能成為hadoop的mapper或者 reducer。例如:
復制代碼 代碼如下:
hadoop jar hadoop-streaming.jar -input SOME_INPUT_DIR_OR_FILE -output SOME_OUTPUT_DIR -mapper /bin/cat -reducer /usr/bin/wc
在這個例子裡,就使用了Unix/Linux自帶的cat和wc工具來作為mapper / reducer,是不是很神奇?
如果你習慣了使用一些動態語言,用動態語言來寫mapreduce吧,跟之前的編程沒有任何不同,hadoop只是運行它的一個框架,下面我演示一下用PHP來實現Word Counter的mapreduce。
一、找到Streaming jar
Hadoop根目錄下是沒有hadoop-streaming.jar的,因為streaming是一個contrib,所以要去contrib下面找,以hadoop-0.20.2為例,它在這裡:
復制代碼 代碼如下:$HADOOP_HOME/contrib/streaming/hadoop-0.20.2-streaming.jar
二、寫Mapper
新建一個wc_mapper.php,寫入如下代碼:
復制代碼 代碼如下:
#!/usr/bin/php
<?php
$in = fopen(“php://stdin”, “r”);
$results = array();
while ( $line = fgets($in, 4096) )
{
$words = preg_split(‘/\W/', $line, 0, PREG_SPLIT_NO_EMPTY);
foreach ($words as $word)
$results[] = $word;
}
fclose($in);
foreach ($results as $key => $value)
{
print “$value\t1\n”;
}
這段代碼的大致意思是:把輸入的每行文本中的單詞找出來,並以”
hello 1
world 1″
這樣的形式輸出出來。
和之前寫的PHP基本沒有什麼不同,對吧,可能稍微讓你感到陌生有兩個地方:
PHP作為可執行程序
第一行的“#!/usr/bin/php”告訴linux,要用/usr/bin/php這個程序作為以下代碼的解釋器。寫過linux shell的人應該很熟悉這種寫法了,每個shell腳本的第一行都是這樣: #!/bin/bash, #!/usr/bin/python
有了這一行,保存好這個文件以後,就可以像這樣直接把wc_mapper.php當作cat, grep一樣的命令執行了:./wc_mapper.php
使用stdin接收輸入
PHP支持多種參數傳入的方法,大家最熟悉的應該是從$_GET, $_POST超全局變量裡面取通過Web傳遞的參數,次之是從$_SERVER['argv']裡取通過命令行傳入的參數,這裡,采用的是標准輸入stdin
它的使用效果是:
在linux控制台輸入 ./wc_mapper.php
wc_mapper.php運行,控制台進入等候用戶鍵盤輸入狀態
用戶通過鍵盤輸入文本
用戶按下Ctrl + D終止輸入,wc_mapper.php開始執行真正的業務邏輯,並將執行結果輸出
那麼stdout在哪呢?print本身已經就是stdout啦,跟我們以前寫web程序和CLI腳本沒有任何不同。
三、寫Reducer
新建一個wc_reducer.php,寫入如下代碼:
復制代碼 代碼如下:
#!/usr/bin/php
<?php
$in = fopen(“php://stdin”, “r”);
$results = array();
while ( $line = fgets($in, 4096) )
{
list($key, $value) = preg_split(“/\t/”, trim($line), 2);
$results[$key] += $value;
}
fclose($in);
ksort($results);
foreach ($results as $key => $value)
{
print “$key\t$value\n”;
}
這段代碼的大意是統計每個單詞出現了多少次,並以”
hello 2
world 1″
這樣的形式輸出。
四、用Hadoop來運行
上傳要統計的示例文本
復制代碼 代碼如下:
hadoop fs -put *.TXT /tmp/input
以Streaming方式執行PHP mapreduce程序
復制代碼 代碼如下:hadoop jar hadoop-0.20.2-streaming.jar -input /tmp/input -output /tmp/output -mapper wc_mapper.php的絕對路徑 -reducer wc_reducer.php的絕對路徑
注意:
input和output目錄是在hdfs上的路徑
mapper和reducer是在本地機器的路徑,一定要寫絕對路徑,不要寫相對路徑,以免到時候hadoop報錯說找不到mapreduce程序。
查看結果
復制代碼 代碼如下:hadoop fs -cat /tmp/output/part-00000
五、shell版的Hadoop MapReduce程序
復制代碼 代碼如下:
#!/bin/bash -
# 加載配置文件
source './config.sh'
# 處理命令行參數
while getopts "d:" arg
do
case $arg in
d)
date=$OPTARG
?)
echo "unkonw argument"
exit 1
esac
done
# 默認處理日期為昨天
default_date=`date -v-1d +%Y-%m-%d`
# 最終處理日期. 如果日期格式不對, 則退出執行
date=${date:-${default_date}}
if ! [[ "$date" =~ [12][0-9]{3}-(0[1-9]|1[12])-(0[1-9]|[12][0-9]|3[01]) ]]
then
echo "invalid date(yyyy-mm-dd): $date"
exit 1
fi
# 待處理文件
log_files=$(${hadoop_home}bin/hadoop fs -ls ${log_file_dir_in_hdfs} | awk '{print $8}' | grep $date)
# 如果待處理文件數目為零, 則退出執行
log_files_amount=$(($(echo $log_files | wc -l) + 0))
if [ $log_files_amount -lt 1 ]
then
echo "no log files found"
exit 0
fi
# 輸入文件列表
for f in $log_files
do
input_files_list="${input_files_list} $f"
done
function map_reduce () {
if ${hadoop_home}bin/hadoop jar ${streaming_jar_path} -input${input_files_list} -output ${mapreduce_output_dir}${date}/${1}/ -mapper "${mapper} ${1}" -reducer "${reducer}" -file "${mapper}"
then
echo "streaming job done!"
else
exit 1
fi
}
# 循環處理每一個bucket
for bucket in ${bucket_list[@]}
do
map_reduce $bucket
done