教程|要想Hadoop能够运行Python程序,就要会MRJob
首先
要想hadoop能够很流畅的python程序,学习mrjob可能是最直接、最简单的方法了
你甚至都不要按安装部署hadoop集群。
mrjob拥有很多优秀的特性比如:
- 支持多步骤的mapreduce任务工作流
- 支持内嵌、本地、远程亚马逊以及hadoop
- 调试方便不需要任务环境支持
本教程通过 python 中 mrjob 模块来调用 hadoop 处理数据。通过本次实验,你可以初步入门mrjob,轻松编写mr来使用hadoop。
主要知识点:
- python mrjob模块的安装
- hadoop——python各模块介绍
- 使用mrjob实现文本统计
- python mrjob的运行方式
- 重写mrjob函数实现复杂数据处理
效果展示。该展示数据含义是通过mrjob将每个用户(cuid)看过哪些电影(vid)进行统计并输出。
mrjob支持python2和python3 。mrjob可以通过pip直接安装,也可以通过下载源码通过setup.py安装,可参考mrjob安装说明。 本实验中,使用shiyanlou账户通过sudo权限进行安装。pip安装指令:
目前常见的python框架有以下几个,这里再简单介绍一下各框架的大体特点,想了解更多可去博客查阅。
hadoop streaming。提供了使用其他可执行程序来作为hadoop的mapper或者reduce的方式,必须使用规定的语义从标准输入读取数据,然后将结果输出到标准输出。直接使用streaming 的一个缺点是当reduce的输入是按key分组的时候,仍然是一行行迭代的,必须由用户来辨识key与key之间的界限。
mrjob。开源的python框架,封装hadoop的数据流,并积极开发yelp的。由于yelp的运作完全在亚马逊网络服务,mrjob的整合与emr是令人难以置信的光滑和容易(使用 boto包)。
dumbo。同样使用hadoop流包装的框架。dumbo出现的较早,但由于缺少文档,造成开发困难。这也是不如mrjob的一点。dumbo通过typedbytes执行序列化,能允许更简洁的数据传输,也可以更自然的通过指定javainputformat读取sequencefiles或者其他格式的文件
hadoopy。是一个兼容dumbo的streaming封装,也使用typedbytes序列化数据,并直接把 typedbytes 数据写到hdfs。它有一个很棒的调试机制, 在这种机制下它可以直接把消息写到标准输出而不会干扰streaming过程。它和dumbo很相似,但文档要好得多。
pydoop。与其他框架相比,pydoop 封装了hadoop的管道(pipes),这是hadoop的c++ api。 正因为此,该项目声称他们能够提供更加丰富的hadoop和hdfs接口,以及一样好的性能。需要注意de所有的输入输出都必须是字符串。
其他 -happy、disco、octopy、mortar、luigi 等。
后面便是使用mrjob实现词组统计以及mrjob多种运行方式等等的介绍。完整的教程已经配套的练习可以在实验楼的主站去学习。
上一篇: 河源春节好玩的地方大全
下一篇: 汉中春天好玩的地方大全