用python + hadoop streaming 分布式編程（一） -- 原理介紹，範例程式與本地調試

MapReduce與HDFS簡介
什麼是Hadoop？

Google為自己的業務需要提出了編程模型MapReduce和Distributed File SystemGoogle File System，並發布了相關論文（可在Google Research的網站上獲得： GFS 、 MapReduce）。 Doug Cutting和Mike Cafarella在開發搜尋引擎Nutch時對這兩篇論文做了自己的實現，即同名的MapReduce和HDFS，合起來就是Hadoop。

MapReduce的Data flow如，未經處理資料經過mapper處理，再進行partition和sort，到達reducer，輸出最後結果。

圖片來自Hadoop: The Definitive Guide

Hadoop Streaming原理
Hadoop本身是用Java開發的，程式也需要用Java編寫，但是通過Hadoop Streaming，我們可以使用任意語言來編寫程式，讓Hadoop運行。

Hadoop Streaming的相關原始碼可以在Hadoop的Github repo 查看。簡單來說，就是通過將用其他語言編寫的mapper和reducer通過參數傳給一個事先寫好的Java程式（Hadoop內建的*-streaming.jar），這個Java程式會負責建立MR作業，另開一個進程來運行mapper，將得到的輸入通過stdin傳給它，再將mapper處理後輸出到stdout的資料交給Hadoop，partition和sort之後，再另開進程運行reducer，同樣地通過stdin/stdout得到最終結果。因此，我們只需要在其他語言編寫的程式裡，通過stdin接收資料，再將處理過的資料輸出到stdout，Hadoop streaming就能通過這個Java的wrapper幫我們解決中間繁瑣的步驟，運行分布式程式。

圖片來自Hadoop: The Definitive Guide

原理上只要是能夠處理stdio的語言都能用來寫mapper和reducer，也可以指定mapper或reducer為Linux下的程式（如awk、grep、cat）或者按照一定格式寫好的java class。因此，mapper和reducer也不必是同一類的程式。

Hadoop Streaming的優缺點

優點

可以使用自己喜歡的語言來編寫MapReduce程式（換句話說，不必寫Java XD）
不需要像寫Java的MR程式那樣import一大堆庫，在代碼裡做一大堆配置，很多東西都抽象到了stdio上，代碼量顯著減少
因為沒有庫的依賴，調試方便，並且可以脫離Hadoop先在本地用管道類比調試

缺點

只能通過命令列參數來控制MapReduce架構，不像Java的程式那樣可以在代碼裡使用API，控制力比較弱，有些東西鞭長莫及
因為中間隔著一層處理，效率會比較慢
所以Hadoop Streaming比較適合做一些簡單的任務，比如用python寫只有一兩百行的指令碼。如果項目比較複雜，或者需要進行比較細緻的最佳化，使用Streaming就容易出現一些束手束腳的地方。

用python編寫簡單的Hadoop Streaming程式

這裡提供兩個例子：

Michael Noll的word count程式
Hadoop: The Definitive Guide裡的常式
使用python編寫Hadoop Streaming程式有幾點需要注意：

在能使用iterator的情況下，盡量使用iterator，避免將stdin的輸入大量儲存在記憶體裡，否則會嚴重降低效能

streaming不會幫你分割key和value傳進來，傳進來的只是一個個字串而已，需要你自己在代碼裏手動調用split()

從stdin得到的每一行資料末尾似乎會有\n，保險起見一般都需要使用rstrip()來去掉

在想獲得K-V list而不是一個個處理key-value pair時，可以使用groupby配合itemgetter將key相同的k-v pair組成一個個group，得到類似Java編寫的reduce可以直接擷取一個Text類型的key和一個iterable作為value的效果。注意itemgetter的效率比lambda運算式要高，所以如果需求不是很複雜的話，盡量用itemgetter比較好。

我在編寫Hadoop Streaming程式時的基本模版是

#!/usr/bin/env python# -*- coding: utf-8 -*-"""Some description here..."""import sysfrom operator import itemgetterfrom itertools import groupbydef read_input(file): """Read input and split.""" for line in file:  yield line.rstrip().split('\t')def main(): data = read_input(sys.stdin) for key, kviter in groupby(data, itemgetter(0)):  # some code here..if __name__ == "__main__": main()

如果對輸入輸出格式有不同於預設的控制，主要會在read_input()裡調整。

本地調試

本地調試用於Hadoop Streaming的python程式的基本模式是：

$ cat  | python  | sort -t $'\t' -k1,1 | python  > 

或者如果不想用多餘的cat，也可以用<定向

$ python  <  | sort -t $'\t' -k1,1 | python  > 

這裡有幾點需要注意：

Hadoop預設按照tab來分割key和value，以第一個分割出的部分為key，按key進行排序，因此這裡使用

sort -t $'\t' -k1,1
來類比。如果你有其他需求，在交給Hadoop Streaming執行時可以通過命令列參數調，本地調試也可以進行相應的調整，主要是調整sort的參數。因此為了能夠熟練進行本地調試，建議先掌握sort命令的用法。

如果你在python指令碼裡加上了shebang，並且為它們添加了執行許可權，也可以用類似於

./mapper.py

來代替

python mapper.py

