[CPyUG] [OT] php python Ruby选择 - maolingzhi@gmail.com - Gmail

作者: lexus
发布时间:2015-07-13 11:31:34

[CPyUG] [OT] php python Ruby选择 - maolingzhi@gmail.com - Gmail

1. 安装virtualenv
2. 安装distutil
3. 安装pip
每个软件主页上都有详细说明,别参考来历不明的教程特别是中文的
你的错误信息似乎是没有distutil

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)

标签: Gmail php Python Ruby
来源:http://www.cnblogs.com/lexus/archive/2013/01/22/2872319.html

推荐: