Python中的MapReduce以及在Hadoop环境下运行之词频统计

一、在Linux中运行

首先在Linux中新建下面的目录，里面什么也不要放，然后进入到目录 /opt/data/mapreduce_test/

1. 然后在里面创建一个test.txt文件,并往里面添加一些需要统计的单词，

    

 2. 接着编辑mapper.py文件，vim mapper.py

#!/usr/bin/env python
# encoding=utf-8
import sys
for line in sys.stdin:
    line = line.strip()
    words = line.split()
    for word in words:
        print("%s\t%s" % (word, 1)) 

     

 3. 接着新建reduce.py文件, vim reduce.py

#!/usr/bin/env python
# encoding=utf-8
from operator import itemgetter
import sys
 
current_word = None
current_count = 0
word = None
 
for line in sys.stdin:
    line = line.strip()
    word, count = line.split('\t', 1)
    try:
        count = int(count)
    except ValueError:  #count如果不是数字的话，直接忽略掉
        continue
    if current_word == word:
        current_count += count
    else:
        if current_word:
            print("%s\t%s" % (current_word, current_count))
        current_count = count
        current_word = word
 
if word == current_word:  #不要忘记最后的输出
    print("%s\t%s" % (current_word, current_count))

     

 4.分别对mapper.py和reduce.py 授权

[root@master mapreduce_test]# chmod -R 777 mapper.py 
[root@master mapreduce_test]# chmod -R 777 reduce.py 
[root@master mapreduce_test]# chmod -R 777 test.txt

   

 5. 接下来开始运行mapper.py程序运行，

more test.txt | python ./mapper.py

   

排序运行

more test.txt | python ./mapper.py | sort

more test.txt | python ./mapper.py | sort -k1,1

6. mapper和reduce同时运行

more test.txt | python ./mapper.py | sort -k1,1 | ./reduce.py

   

二、在Hadoop环境中运行

 还是在这个目录下，新建一个run.sh文件

里面的内容如下:

hadoop jar /opt/soft/hadoop-2.7.7/share/hadoop/tools/lib/hadoop-streaming-2.7.7.jar \
-file /opt/data/mapreduce_test/mapper.py       -mapper /opt/data/mapreduce_test/mapper.py \
-file /opt/data/mapreduce_test/reduce.py       -reducer /opt/data/mapreduce_test/reduce.py \
-input /tmp/py/input/*  -output /tmp/py/output

第一行配置的是hadoop-streaming-2.7.5.jar所在的位置

   

 然后给run.sh添加可执行权限

   

接着在hdfs环境下新建文件夹,

hdfs dfs -mkdir -p /tmp/py/input

然后把test.txt上传进去

hdfs dfs -put test.txt /tmp/py/input

   

 接着运行run.sh

source run.sh

   

接着查看生成的文件

hdfs dfs -ls /tmp/py/output

   

其中part-00000就是运行结果，打开看一下

hdfs dfs -cat /tmp/py/output/part-00000

    

然后把运行结果保存到本地

hdfs dfs -get /tmp/py/output/part-00000 /opt/data

   

 

 

 

 

本文参考：Python中的MapReduce以及在Hadoop环境下运行_秦哥的博客-CSDN博客