前言:
这两天忙着把51cto里面的博客，转回我的独立博客，以前只是顾着在51写了，才发现原来我写了那么多东西。
正题，咱们一般写mapreduce是通过java的mapreduce api或者是python调用streaming来写的。然而身为pythoner的我，java虽然会点，但是不足以支撑搞数据分析，没办法就用streaming来写mapreduce日志分析。 这里要介绍一个模块，是基于streaming搞的东西，看些官网的介绍有些意思。
mrjob实质上也就是在Hadoop Streaming的命令行上包了一层，有了统一的Python界面，而无需你再去直接调用Hadoop Streaming命令。既然涉及到Streaming，就说明，他在速度方面不见得快，但是最少在语言用法上来说，比以前些pipe管道要好的多。
Hello Girls , 请关注我的博客，blog.xiaorui.cc
mrjob 可以让用 Python 来编写 MapReduce 运算，并在多个不同平台上运行，你可以：
-
使用纯 Python 编写多步的 MapReduce 作业
-
在本机上进行测试
-
在 Hadoop 集群上运行
首先用pip安装mrjob的包：
pip install mrjob
下面是我用来测试的例子，
#coding:utf-8
from mrjob.job import MRJob
import re
#xiaorui.cc
#WORD_RE = re.compile(r"[\w']+")
WORD_RE = re.compile(r"\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}")
class MRWordFreqCount(MRJob):
def mapper(self, word, line):
for word in WORD_RE.findall(line):
yield word.lower(), 1
def combiner(self, word, counts):
yield word, sum(counts)
def reducer(self, word, counts):
yield word, sum(counts)
if __name__ == '__main__':
MRWordFreqCount.run()
mrjob在cli执行的用法很简单：
python i.py -r inline input1 input2 input3 > out 命令可以将处理多个文件的结果输出到out文件里面。
本地模拟hadoop运行：python 1.py -r local <input> output
这个会把结果输出到output里面，这个output必须写。
hadoop集群上运行：python 1.py -r hadoop <input> output
[root@kspc ~]# python mo.py -r local <10.7.17.7-dnsquery.log.1> output
removing tmp directory /tmp/mo.root.20131224.040935.241241
执行的时候，资源的占用情况。
发现一个很奇妙的东西，mrjob居然调用shell下的sort来排序。。。。
为了更好的理解mrjob的用法，再来个例子。
from mrjob.job import MRJob
#from xiaorui.cc
class MRWordFrequencyCount(MRJob):
#把东西拼凑起来
def mapper(self, _, line):
yield "chars", len(line)
yield "words", len(line.split())
yield "lines", 1
#总结kv
def reducer(self, key, values):
yield key, sum(values)
if __name__ == '__main__':
MRWordFrequencyCount.run()
看下结果：
下面是官网给的一些个用法：
我们可以看到他是支持hdfs和s3存储的 ！
Running your job different ways
The most basic way to run your job is on the command line:
$ python my_job.py input.txt
By default, output will be written to stdout.
You can pass input via stdin, but be aware that mrjob will just dump it to a file first:
$ python my_job.py < input.txt
You can pass multiple input files, mixed with stdin (using the – character):
$ python my_job.py input1.txt input2.txt – < input3.txt
By default, mrjob will run your job in a single Python process. This provides the friendliest debugging experience, but it’s not exactly distributed computing!
You change the way the job is run with the -r/–runner option. You can use -rinline (the default), -rlocal, -rhadoop, or -remr.
To run your job in multiple subprocesses with a few Hadoop features simulated, use -rlocal.
To run it on your Hadoop cluster, use -rhadoop.
If you have Elastic MapReduce configured (see Elastic MapReduce Quickstart), you can run it there with -remr.
Your input files can come from HDFS if you’re using Hadoop, or S3 if you’re using EMR:
$ python sqlite_job.py -r local --database=/etc/my_db.sqlite3 $ python sqlite_job.py -r hadoop --database=/etc/my_db.sqlite3 $ python sqlite_job.py -r hadoop --database=hdfs://my_dir/my_db.sqlite3 $ python sqlite_job.py -r emr --database=/etc/my_db.sqlite3 $ python sqlite_job.py -r emr --database=s3://my_bucket/my_db.sqlite3
说实话，不太推荐用这个，因为就是看起来是高端了，但是没有从根本上解决，我们需要的是性能及处理速度，但是他给不了的，所以还是用hadoop方案中的pig和hive解决，当时如果你和我一样java不熟，但是python很熟。
