快捷導(dǎo)航

用PHP和Shell寫Hadoop的MapReduce程序

更新時(shí)間：2014年04月15日 08:50:57 作者：

Hadoop本身是Java寫的，所以，給hadoop寫mapreduce，人們會(huì)自然地想到Java。但Hadoop里面有個(gè)contrib叫做hadoop streaming，這是一個(gè)小工具，為hadoop提供streaming支持

使得任何支持標(biāo)準(zhǔn)IO (stdin, stdout)的可執(zhí)行程序都能成為hadoop的mapper或者 reducer。例如：

復(fù)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(gè)例子里，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(xí)慣了使用一些動(dòng)態(tài)語言，用動(dòng)態(tài)語言來寫mapreduce吧，跟之前的編程沒有任何不同，hadoop只是運(yùn)行它的一個(gè)框架，下面我演示一下用PHP來實(shí)現(xiàn)Word Counter的mapreduce。

一、找到Streaming jar

Hadoop根目錄下是沒有hadoop-streaming.jar的，因?yàn)閟treaming是一個(gè)contrib，所以要去contrib下面找，以hadoop-0.20.2為例，它在這里：

復(fù)制代碼代碼如下:

$HADOOP_HOME/contrib/streaming/hadoop-0.20.2-streaming.jar

二、寫Mapper

新建一個(gè)wc_mapper.php，寫入如下代碼：

復(fù)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，并以”
hello 1
world 1″
這樣的形式輸出出來。

和之前寫的PHP基本沒有什么不同，對(duì)吧，可能稍微讓你感到陌生有兩個(gè)地方：

PHP作為可執(zhí)行程序

第一行的“#!/usr/bin/php”告訴linux，要用/usr/bin/php這個(gè)程序作為以下代碼的解釋器。寫過linux shell的人應(yīng)該很熟悉這種寫法了，每個(gè)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(gè)文件以后，就可以像這樣直接把wc_mapper.php當(dāng)作cat, grep一樣的命令執(zhí)行了：./wc_mapper.php

使用stdin接收輸入

PHP支持多種參數(shù)傳入的方法，大家最熟悉的應(yīng)該是從$_GET, $_POST超全局變量里面取通過Web傳遞的參數(shù)，次之是從$_SERVER['argv']里取通過命令行傳入的參數(shù)，這里，采用的是標(biāo)準(zhǔn)輸入stdin

它的使用效果是：

在linux控制臺(tái)輸入 ./wc_mapper.php

wc_mapper.php運(yùn)行，控制臺(tái)進(jìn)入等候用戶鍵盤輸入狀態(tài)

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(zhí)行真正的業(yè)務(wù)邏輯，并將執(zhí)行結(jié)果輸出

那么stdout在哪呢？print本身已經(jīng)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(gè)wc_reducer.php，寫入如下代碼：

復(fù)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(tǒng)計(jì)每個(gè)單詞出現(xiàn)了多少次，并以”
hello 2
world 1″
這樣的形式輸出。

四、用Hadoop來運(yùn)行

上傳要統(tǒng)計(jì)的示例文本

復(fù)制代碼代碼如下:

hadoop fs -put *.TXT /tmp/input

以Streaming方式執(zhí)行PHP mapreduce程序

復(fù)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(duì)路徑 -reducer wc_reducer.php的絕對(duì)路徑

注意：

input和output目錄是在hdfs上的路徑

mapper和reducer是在本地機(jī)器的路徑，一定要寫絕對(duì)路徑，不要寫相對(duì)路徑，以免到時(shí)候hadoop報(bào)錯(cuò)說找不到mapreduce程序。

查看結(jié)果

復(fù)制代碼代碼如下:

hadoop fs -cat /tmp/output/part-00000

五、shell版的Hadoop MapReduce程序

復(fù)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(shù)
while getopts "d:" arg
do
case $arg in
  d)
   date=$OPTARG

  ?)
            echo "unkonw argument"
   exit 1

    esac
done

# 默認(rèn)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(duì), 則退出執(zhí)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(shù)目為零, 則退出執(zhí)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(huán)處理每一個(gè)bucket
for bucket in ${bucket_list[@]}
do
map_reduce $bucket
done

您可能感興趣的文章: