使用python开发hadoop streaming程序及hadoop python网页抓取例子

使用python开发hadoop streaming程序及hadoop python网页抓取例子 - flying5 - 博客园

使用python开发hadoop streaming程序及hadoop python网页抓取例子
Hadoop streaming是Hadoop的一个工具，它帮助用户创建和运行一类特殊的map/reduce作业，这些特殊的map/reduce作业是由一些可执行文件或脚本文件充当mapper或者reducer。通过streaming工具，程序员可以使用c++, python, perl, ruby等语言来开发map/reduce任务。
如何用python开发hadoop程序，hadoop源代码中提供了一个统计词频的例子WordCount.py，不过这个例子程序是将Python代码通过Jython运行时转换为jar包。然后通过streaming的方式运行这个jar包，稍显麻烦。
德国的开发者Michael G. Noll提供了一种python的实现方法：通过STDIN标准输入和STDOUT标准输在Map和Reduce代码之间传输数据。Python的sys.stdin方法读取输入数据，并通过sys.stdout打印输出数据，而数据的交互处理过程交由Hadoop Streaming来处理。
一个用python写的典型的hadoop streaming例子程序如下，该程序就是抓取网页的标题：
mapper.py
?
#!/usr/bin/env python

import sys, urllib, re

title_re = re.compile("<title>(.*?)</title>", re.MULTILINE | re.DOTALL | re.IGNORECASE)

for line in sys.stdin:
    url = line.strip()
    match = title_re.search(urllib.urlopen(url).read())
    if match:
        print "mapper", url, "\t", match.group(1).strip()
reducer.py
?
#!/usr/bin/env python

from operator import itemgetter

import sys

for line in sys.stdin:
    line = line.strip()
    print "reducer " + line
可以先运行以下命令来验证这个程序是否正确：
?
[admin@search011 url]$ cat url
http://www.163.com
http://www.sina.com
http://www.baidu.com
[admin@search011 url]$ cat url | ./mapper.py | ./reducer.py
reducer mapper http://www.163.com       网易
reducer mapper http://www.sina.com      新浪首页
reducer mapper http://www.baidu.com     百度一下，你就知道
用hadoop streaming的方式提交job：
?
#!/bin/sh

hadoop fs -rmr /test/output

hadoop jar ~/hadoop/contrib/streaming/hadoop-0.20.2-streaming.jar \
           -mapper mapper.py \
           -file mapper.py \
           -reducer reducer.py \
           -file reducer.py \
           -input /test/input \
           -output /test/output \
           -jobconf mapred.reduce.tasks=3 \
           -jobconf mapred.job.name="my crawl job"

hadoop fs -ls /test/output/
hadoop fs -cat /test/output/*
直接用python语言开发hadoop程序有时候显得不够灵活，比如mapper.py和reducer.py程序必须放在两个文件中。于是国外有人用python对hadoop API进行了封转。著名的音乐站点Last.fm发布了基于Python的Dumbo（小飞象）项目，Dumbo能够帮助Python开发者更方便的编写Hadoop应用，并且Dumbo为MapReduce应用提供了灵活易用的Python API。Last.fm的开发者，同时也是Dumbo项目发起人Klaas Bosteels 认为，“对于定制Hadoop应用，使用Python语言代替Java会让工作变得更有效率”。
另外一个相似的项目Happy，则为Jython开发者使用Hadoop框架提供了便利。Happy框架封装了Hadoop的复杂调用过程，让Map-Reduce开发变得更为容易。Happy中的Map-Reduce作业过程在子类happy.HappyJob中定义，当用户创建类实例后，设置作业任务的输入输出参数，然后调用run()方法即可启动分治规约处理，此时，Happy框架将序列化用户的作业实例，并将任务及相应依赖库拷贝到Hadoop集群执行。目前，Happy框架已被数据集成站点freebase.com采纳，用于进行站点的数据挖掘与分析工作。
(参考：http://www.gaoang.com/archives/158)