用PHP和Shell寫Hadoop的MapReduce程式_PHP教程

使得任何支援標準IO (stdin, stdout)的可執行程式都能成為hadoop的mapper或者 reducer。例如：
複製代碼 代碼如下:
hadoop jar hadoop-streaming.jar -input SOME_INPUT_DIR_OR_FILE -output SOME_OUTPUT_DIR -mapper /bin/cat -reducer /usr/bin/wc

在這個例子裡，就使用了Unix/Linux內建的cat和wc工具來作為mapper / reducer，是不是很神奇？

如果你習慣了使用一些動態語言，用動態語言來寫mapreduce吧，跟之前的編程沒有任何不同，hadoop只是運行它的一個架構，下面我示範一下用PHP來實現Word Counter的mapreduce。

一、找到Streaming jar

Hadoop根目錄下是沒有hadoop-streaming.jar的，因為streaming是一個contrib，所以要去contrib下面找，以hadoop-0.20.2為例，它在這裡：

複製代碼 代碼如下:$HADOOP_HOME/contrib/streaming/hadoop-0.20.2-streaming.jar

二、寫Mapper

建立一個wc_mapper.php，寫入如下代碼：

複製代碼 代碼如下:
#!/usr/bin/php
$in = fopen(“php://stdin”, “r”);
$results = array();
while ( $line = fgets($in, 4096) )
{
$words = preg_split(‘/\W/', $line, 0, PREG_SPLIT_NO_EMPTY);
foreach ($words as $word)
$results[] = $word;
}
fclose($in);
foreach ($results as $key => $value)
{
print “$value\t1\n”;
}

這段代碼的大致意思是：把輸入的每行文本中的單詞找出來，並以”
hello 1
world 1″
這樣的形式輸出出來。

和之前寫的PHP基本沒有什麼不同，對吧，可能稍微讓你感到陌生有兩個地方：

PHP作為可執行程式

第一行的“#!/usr/bin/php”告訴linux，要用/usr/bin/php這個程式作為以下代碼的解譯器。寫過linux shell的人應該很熟悉這種寫法了，每個shell指令碼的第一行都是這樣: #!/bin/bash, #!/usr/bin/python

有了這一行，儲存好這個檔案以後，就可以像這樣直接把wc_mapper.php當作cat, grep一樣的命令執行了：./wc_mapper.php

使用stdin接收輸入

PHP支援多種參數傳入的方法，大家最熟悉的應該是從$_GET, $_POST超全域變數裡面取通過Web傳遞的參數，次之是從$_SERVER['argv']裡取通過命令列傳入的參數，這裡，採用的是標準輸入stdin

它的使用效果是：

在linux控制台輸入 ./wc_mapper.php

wc_mapper.php運行，控制台進入等候使用者鍵盤輸入狀態

使用者通過鍵盤輸入文本

使用者按下Ctrl + D終止輸入，wc_mapper.php開始執行真正的商務邏輯，並將執行結果輸出

那麼stdout在哪呢？print本身已經就是stdout啦，跟我們以前寫web程式和CLI指令碼沒有任何不同。

三、寫Reducer

建立一個wc_reducer.php，寫入如下代碼：
複製代碼 代碼如下:
#!/usr/bin/php
$in = fopen(“php://stdin”, “r”);
$results = array();
while ( $line = fgets($in, 4096) )
{
list($key, $value) = preg_split(“/\t/”, trim($line), 2);
$results[$key] += $value;
}
fclose($in);
ksort($results);
foreach ($results as $key => $value)
{
print “$key\t$value\n”;
}

這段代碼的大意是統計每個單詞出現了多少次，並以”
hello 2
world 1″
這樣的形式輸出。

四、用Hadoop來運行

上傳要統計的樣本文本
複製代碼 代碼如下:
hadoop fs -put *.TXT /tmp/input

以Streaming方式執行PHP mapreduce程式

複製代碼 代碼如下:hadoop jar hadoop-0.20.2-streaming.jar -input /tmp/input -output /tmp/output -mapper wc_mapper.php的絕對路徑 -reducer wc_reducer.php的絕對路徑
注意：

input和output目錄是在hdfs上的路徑

mapper和reducer是在本地機器的路徑，一定要寫絕對路徑，不要寫相對路徑，以免到時候hadoop報錯說找不到mapreduce程式。

查看結果
複製代碼 代碼如下:hadoop fs -cat /tmp/output/part-00000

五、shell版的Hadoop MapReduce程式

複製代碼 代碼如下:
#!/bin/bash -

# 載入設定檔
source './config.sh'

# 處理命令列參數
while getopts "d:" arg
do
case $arg in
d)
date=$OPTARG

?)
echo "unkonw argument"
exit 1

esac
done

# 預設處理日期為昨天
default_date=`date -v-1d +%Y-%m-%d`

# 最終處理日期. 如果日期格式不對, 則退出執行
date=${date:-${default_date}}
if ! [[ "$date" =~ [12][0-9]{3}-(0[1-9]|1[12])-(0[1-9]|[12][0-9]|3[01]) ]]
then
echo "invalid date(yyyy-mm-dd): $date"
exit 1
fi

# 待處理檔案
log_files=$(${hadoop_home}bin/hadoop fs -ls ${log_file_dir_in_hdfs} | awk '{print $8}' | grep $date)

# 如果待處理檔案數目為零, 則退出執行
log_files_amount=$(($(echo $log_files | wc -l) + 0))
if [ $log_files_amount -lt 1 ]
then
echo "no log files found"
exit 0
fi

# 輸入檔案清單
for f in $log_files
do
input_files_list="${input_files_list} $f"
done

function map_reduce () {
if ${hadoop_home}bin/hadoop jar ${streaming_jar_path} -input${input_files_list} -output ${mapreduce_output_dir}${date}/${1}/ -mapper "${mapper} ${1}" -reducer "${reducer}" -file "${mapper}"
then
echo "streaming job done!"
else
exit 1
fi
}

# 迴圈處理每一個bucket
for bucket in ${bucket_list[@]}
do
map_reduce $bucket
done

http://www.bkjia.com/PHPjc/754798.htmlwww.bkjia.comtruehttp://www.bkjia.com/PHPjc/754798.htmlTechArticle使得任何支援標準IO (stdin, stdout)的可執行程式都能成為hadoop的mapper或者 reducer。例如： 複製代碼 代碼如下: hadoop jar hadoop-streaming.jar -input...

