关于hadoop，建议大家在自己的linux上面跟着网上的教程搭建一次单节点和多节点的hadoop平台，亦可参考Hadoop安装教程_单机/伪分布式配置。关于mapreduce，我是新手，只能从“分而治之”的角度来考虑，首先“map”也就是”分”——数据分割，然后“reduce”对"map"处理后的结果进一步的运算，这里给出的例子是一般的hadoop入门程序“WordCount”，就是首先写一个map程序用来将输入的字符串分割成单个的单词，然后reduce这些单个的单词，相同的单词就对其进行计数，不同的单词分别输出，结果输出每一个单词出现的频数。
注意：关于数据的输入输出是通过sys.stdin（系统标准输入）和sys.stdout（系统标准输出）来控制数据的读入与输出。所有的脚本执行之前都需要修改权限，否则没有执行权限，例如下面的脚本创建之前使用“chmod +x mapper.py”
mapper.py
#!/usr/bin/env python
# ($HADOOP_HOME/mapper.py)
import sys
for line in sys.stdin: # 遍历读入数据的每一行
line = line.strip() # 将行尾行首的空格去除
words = line.split() #按空格将句子分割成单个单词
for word in words:
print '%s\t%s' %(word, 1)
reducer.py
#!/usr/bin/env python
# ($HADOOP_HOME/reducer.py)
from operator import itemgetter
import sys
current_word = None # 为当前单词
current_count = 0 # 当前单词频数
word = None
for line in sys.stdin:
words = line.strip() # 去除字符串首尾的空白字符
word, count = words.split('\t') # 按照制表符分隔单词和数量
try:
count = int(count) # 将字符串类型的‘1’转换为整型1
except ValueError:
continue
if current_word == word: # 如果当前的单词等于读入的单词
current_count += count # 单词频数加1
else:
if current_word: # 如果当前的单词不为空则打印其单词和频数
print '%s\t%s' %(current_word, current_count)
current_count = count # 否则将读入的单词赋值给当前单词，且更新频数
current_word = word
if current_word == word:
print '%s\t%s' %(current_word, current_count)
查看输出结果
cd $HADOOP_HOME
echo "foo foo quux labs foo bar zoo zoo hying" | ./mapper.py | sort -k 1,1 | ./reducer.py
# echo是将后面“foo ****”字符串输出，并利用管道符“|”将输出数据作为mapper.py这个脚本的输入数据，并将mapper.py的数据输入到reducer.py中，其中参数sort -k 1,1是将reducer的输出内容按照第一列的第一个字母的ASCII码值进行升序排序
下面看一些脚本的输出结果：
让Python代码在hadoop上跑起来！
一、准备输入数据
-
接下来，先下载三本书：
mkdir -p tmp/gutenberg
cd tmp/gutenberg
wget http://www.gutenberg.org/ebooks/20417.txt.utf-8
wget http://www.gutenberg.org/files/5000/5000-8.txt
wget http://www.gutenberg.org/ebooks/4300.txt.utf-8
-
然后把这三本书上传到hdfs文件系统上：
hdfs dfs -mkdir ./input # 在hdfs上的该用户目录下创建一个输入文件的文件夹
hdfs dfs -put ./tmp/gutenberg/*.txt ./input # 上传文档到hdfs上的输入文件夹中
-
寻找你的streaming的jar文件存放地址，注意2.6的版本放到share目录下了，可以进入hadoop安装目录寻找该文件：
cd $HADOOP_HOME
find ./ -name "*streaming*"
-
由于这个文件的路径比较长，因此我们可以将它写入到环境变量：
vi ~/.bashrc # 打开环境变量配置文件
# 在里面写入streaming路径
export STREAM=$HADOOP_HOME/share/hadoop/tools/lib/hadoop-streaming-*.jar
source ~/.bashrc
-
通过streaming接口运行脚本
hadoop jar $STREAM -files ./mapper.py,./reducer.py -mapper ./mapper.py -reducer ./reducer.py -input ./input/gutenberg*.txt -output ./output
再次，感谢以下文档的支持：
让python在hadoop上跑起来
streaming介绍
