hadoop streaming - python
Je me fait une petite pause python/mapreduce, en attendant de reprendre spark qui est un aussi gros sujet qu'hadoop
Je me suis fait une adaptation d'un programme pyhton pour hadoop 2.6 en mode streaming
si ca intéresse quelqu'un, avoir un exemple, ca aide bien.
voila la première partie de mon TF-IDF, la seconde partie viendra peut être ce week end.
voici le contenu de mon fichier lettre1.txt qui sera copier su mon hdfs , id document, suivi des mots à compter
le Mapper WCMapper.py
le reducer WCReducer.py
Code : Sélectionner tout - Visualiser dans une fenêtre à part
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16#! /usr/bin/env python import os import re import sys for enr in sys.stdin: enr = str(enr).translate(None,'\n') fields=enr.split(",") documentID=fields[0] mots=fields[1].split(" ") for unMot in mots: print >>sys.stdout,"%s\t%s\t1\t%i" % \ (unMot,documentID,len(mots))
Shell de lancement wc.sh
Code : Sélectionner tout - Visualiser dans une fenêtre à part
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45#! /usr/bin/env python import os import re import sys motCourrant='' motCourrantCpt=0 documentCourrant='' docCourrantCpt=0 totalMotsInDoc=0; motPrecedentCpt=0; for enr in sys.stdin: enr = str(enr).translate(None,'\n') fields=enr.split("\t") if ( len(fields) < 2): continue if ( motCourrant != fields[0] or documentCourrant != fields[1]): if ( docCourrantCpt > 0): print >>sys.stdout,"%s\t%s\t%i\t%f" % \ (motCourrant,documentCourrant,docCourrantCpt, docCourrantCpt/ totalMotsInDoc) documentCourrant = fields[1] docCourrantCpt=0 motCourrantCpt +=1 if ( motCourrant != fields[0]): if ( motCourrant != '' ): print >>sys.stdout,"%s\t0000\t%i" % \ (motCourrant,motCourrantCpt) motCourrant = fields[0] motPrecedentCpt=motCourrantCpt motCourrantCpt=0 docCourrantCpt +=1 totalMotsInDoc=float(fields[3]); print >>sys.stdout,"%s\t%s\t%i\t%f" % \ (motCourrant,documentCourrant,docCourrantCpt, docCourrantCpt/ totalMotsInDoc) print >>sys.stdout,"%s\t0000\t%i" % \ (motCourrant,motPrecedentCpt)
extrait sortie
Code : Sélectionner tout - Visualiser dans une fenêtre à part
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31clean() { echo -e "suppression repertoire sur hdfs \n" hadoop fs -rm -r tempwc hadoop fs -rm -r output-streaming hadoop fs -rm -r Lettres } load () { echo -e "\n creation des repertoires et chargement des donnees\n" hadoop fs -mkdir Lettres hadoop fs -copyFromLocal lettre1.txt Lettres } clean load echo -e "\nRunning Wordcount python hadoop 2.6 \n" hadoop jar /usr/local/hadoop/share/hadoop/tools/lib/hadoop-streaming-2.6.0.jar \ -input Lettres -output tempwc \ -mapper WCMapper.py -reducer WCReducer.py \ -jobconf stream.num.map.output.key.fields=2 \ -jobconf stream.num.reduce.output.key.fields=2 \ -jobconf mapred.reduce.tasks=1 \ -file WCMapper.py -file WCReducer.py echo -e "\nTF fini affichage du contenu du dossier de esultat \t\n" hadoop fs -cat tempwc/*
Code : Sélectionner tout - Visualiser dans une fenêtre à part
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
Répondre avec citation
Partager