hadoop Java API 比较python 下的hadoop streaming

java api 来运行mapreduce程序

1 首先需要搭建一个hadoop集群。
2 配置环境变量

export CLASSPATH=$($HADOOP_HOME/bin/hadoop classpath):$CLASSPATH
[root@master workspace]# $HADOOP_HOME/bin/hadoop classpath
/root/software/hadoop/hadoop-2.6.1/etc/hadoop:
/root/software/hadoop/hadoop-2.6.1/share/hadoop/common/lib/*:
/root/software/hadoop/hadoop-2.6.1/share/hadoop/common/*:
/root/software/hadoop/hadoop-2.6.1/share/hadoop/hdfs:
/root/software/hadoop/hadoop-2.6.1/share/hadoop/hdfs/lib/*:
/root/software/hadoop/hadoop-2.6.1/share/hadoop/hdfs/*:
/root/software/hadoop/hadoop-2.6.1/share/hadoop/yarn/lib/*:
/root/software/hadoop/hadoop-2.6.1/share/hadoop/yarn/*:
/root/software/hadoop/hadoop-2.6.1/share/hadoop/mapreduce/lib/*:
/root/software/hadoop/hadoop-2.6.1/share/hadoop/mapreduce/*:
/root/software/hadoop/hadoop-2.6.1/contrib/capacity-scheduler/*.jar

3 代码

import java.io.IOException;
import java.util.StringTokenizer;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

public class WordCount {

  public static class TokenizerMapper
       extends Mapper<Object, Text, Text, IntWritable>{

    private final static IntWritable one = new IntWritable(1);
    private Text word = new Text();

    public void map(Object key, Text value, Context context
                    ) throws IOException, InterruptedException {
      StringTokenizer itr = new StringTokenizer(value.toString());
      while (itr.hasMoreTokens()) {
        word.set(itr.nextToken());
        context.write(word, one);
      }
    }
  }

  public static class IntSumReducer
       extends Reducer<Text,IntWritable,Text,IntWritable> {
    private IntWritable result = new IntWritable();

    public void reduce(Text key, Iterable<IntWritable> values,
                       Context context
                       ) throws IOException, InterruptedException {
      int sum = 0;
      for (IntWritable val : values) {
        sum += val.get();
      }
      result.set(sum);
      context.write(key, result);
    }
  }

  public static void main(String[] args) throws Exception {
    Configuration conf = new Configuration();
    Job job = Job.getInstance(conf, "word count");
    job.setJarByClass(WordCount.class);
    job.setMapperClass(TokenizerMapper.class);
    job.setCombinerClass(IntSumReducer.class);
    job.setReducerClass(IntSumReducer.class);
    job.setOutputKeyClass(Text.class);
    job.setOutputValueClass(IntWritable.class);
    FileInputFormat.addInputPath(job, new Path(args[0]));
    FileOutputFormat.setOutputPath(job, new Path(args[1]));
    System.exit(job.waitForCompletion(true) ? 0 : 1);
  }
}

4 编译生成jar包 jar cf

$ javac WordCount.java
$ jar cf wc.jar WordCount*.class

5 在hdfs上建立相应的目录。然后上传数据到hdfs上。
hdfs dfs -put xxx /input/wordcount/

6 用hadoop jar 执行mapreduce程序 (注意在执行之前只有/output目录,并没有/output/wordcount目录)
hadoop jar xx.jar WordCount /input/wordcount /output/wordcount

7 查看结果

[root@master workspace]# hdfs dfs -text /output/wordcount/part-r-00000 | head -n 20
19/04/16 23:03:32 WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
(Baynes 1
(Dartie 1
(Dartie’s   1
(Down-by-the-starn) 2
(Down-by-the-starn),    1
(He 1
(I  1
(James) 1
(L500)  1
(Louisa 1
(Mrs.   1
(Roger  1
(Roger’s    1
(Soames 1
(Soames)    1

用python 和hadoop streaming 来运行mapreduce程序

run.sh 代码:

#!/bin/bash
HADOOP_CMD="/root/software/hadoop/hadoop-2.6.1/bin/hadoop"
# 在shell当中获取当前目录 $(pwd)
STREAM_JAR_PATH=$(pwd)/hadoop-streaming-2.6.1.jar
INPUT_FILE_PATH="/input/wordcount/article.txt"
OUTPUT_PATH="/output/wordcount"

$HADOOP_CMD fs -rmr -skipTrash $OUTPUT_PATH

# Step 1.
$HADOOP_CMD jar $STREAM_JAR_PATH \
    -input $INPUT_FILE_PATH \
    -output $OUTPUT_PATH \
    -mapper "python map.py" \
    -reducer "python reduce.py" \
# 指定要分发到计算节点的文件。因为hadoop 是datalocality 所以需要分发计算任务到数据节点。
    -file ./map.py \
    -file ./reduce.py

map.py 代码:

#!/usr/local/bin/python

import sys
import time

for line in sys.stdin:
    ss = line.strip().split(' ')
    for s in ss:
    #time.sleep(100000)
        if s.strip() != "":
            print "%s\t%s" % (s, 1)

reduce.py 代码:

import sys
import re

cur_word = None
sum = 0

for line in sys.stdin:
        ss = line.strip().split('\t')
        if len(ss) != 2:
                continue
        word, cnt = ss
# 正则匹配特殊的字符,去除数字,?。--——等特殊字符
        if(re.search(r'\.|\?|:|-|_|__|"|\d',word)):
                continue
        if cur_word == None:
                cur_word = word

        if cur_word != word:
                print '\t'.join([cur_word, str(sum)])
                cur_word = word
                sum = 0

        sum += int(cnt)

print '\t'.join([cur_word, str(sum)])

我们先本地调试一波:

[root@master python]# cat data/The_Man_of_Property.txt |python map.py | sort -k1 |python reduce.py| sort -t $'\t' -k2 -rn |head -n 20
the 5144
of  3407
to  2782
and 2573
a   2543
he  2139
his 1912
was 1702
in  1694
had 1526
that    1273
with    1029
her 1020
—   931
at  815
for 765
not 723
she 711
He  695
it  689

发现the 频率最高。然后放集群上跑。
直接sh run.sh
然后:

hdfs dfs -text /output/wordcount/part-00000 >result.data

然后cat result.data| sort -t $'\t' -k2 -rn |head -n 20

[root@master python]# cat result.data |sort -t $'\t' -k2 -rn | head -n 20
the 5144
of  3407
to  2782
and 2573
a   2543
he  2139
his 1912
was 1702
in  1694
had 1526
that    1273
with    1029
her 1020
—   931
at  815
for 765
not 723
she 711
He  695
it  689

结果是一样的.

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 211,265评论 6 490
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,078评论 2 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 156,852评论 0 347
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,408评论 1 283
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,445评论 5 384
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,772评论 1 290
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,921评论 3 406
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,688评论 0 266
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,130评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,467评论 2 325
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,617评论 1 340
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,276评论 4 329
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,882评论 3 312
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,740评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,967评论 1 265
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,315评论 2 360
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,486评论 2 348

推荐阅读更多精彩内容