如何在Ubuntu上使用Hadoop Streaming

ubuntu

小樊

2025-09-17 02:36:37

栏目: 智能运维

在Ubuntu上使用Hadoop Streaming可以让你利用Python、Ruby、PHP等非Java语言编写MapReduce程序。以下是详细的步骤指南：

前提条件

安装Hadoop：确保你已经在Ubuntu上安装了Hadoop，并且Hadoop集群已经正确配置。

安装必要的软件包：

sudo apt-get update
sudo apt-get install python3 python3-pip

步骤

1. 编写MapReduce程序

假设我们要编写一个简单的WordCount程序。

Mapper (mapper.py):

#!/usr/bin/env python3
import sys

for line in sys.stdin:
    line = line.strip()
    words = line.split()
    for word in words:
        print(f"{word}\t1")

Reducer (reducer.py):

#!/usr/bin/env python3
import sys

current_word = None
current_count = 0
word = None

for line in sys.stdin:
    line = line.strip()
    word, count = line.split('\t', 1)
    count = int(count)

    if current_word == word:
        current_count += count
    else:
        if current_word:
            print(f"{current_word}\t{current_count}")
        current_count = count
        current_word = word

if current_word == word:
    print(f"{current_word}\t{current_count}")

确保这两个脚本都有执行权限：

chmod +x mapper.py
chmod +x reducer.py

2. 准备输入数据

将你的输入数据上传到HDFS中：

hdfs dfs -mkdir /input
hdfs dfs -put /path/to/your/local/input/file.txt /input

3. 运行Hadoop Streaming作业

使用hadoop jar命令来运行Hadoop Streaming作业：

hadoop jar /path/to/hadoop-streaming.jar \
    -files mapper.py,reducer.py \
    -mapper "python3 mapper.py" \
    -reducer "python3 reducer.py" \
    -input /input/file.txt \
    -output /output

-files：指定要传递给MapReduce任务的文件。
-mapper：指定Mapper脚本。
-reducer：指定Reducer脚本。
-input：指定输入数据的HDFS路径。
-output：指定输出数据的HDFS路径。

4. 检查输出结果

作业完成后，你可以查看输出结果：

hdfs dfs -cat /output/part-r-00000

注意事项

Hadoop Streaming Jar路径：确保hadoop-streaming.jar的路径正确。
Python环境：确保Hadoop集群中的节点都能访问到Python解释器。
权限问题：确保你有权限读取输入数据和写入输出数据。

通过以上步骤，你就可以在Ubuntu上使用Hadoop Streaming来运行非Java编写的MapReduce程序了。