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。