用PHP编写Hadoop的MapReduce程序

短命女 2022-06-15 03:41 138阅读 0赞

# Hadoop流 #

> 虽然Hadoop是用java写的，但是Hadoop提供了Hadoop流，Hadoop流提供一个API, 允许用户使用任何语言编写map函数和reduce函数.  
> Hadoop流动关键是，它使用UNIX标准流作为程序与Hadoop之间的接口。因此，任何程序只要可以从标准输入流中读取数据，并且可以把数据写入标准输出流中，那么就可以通过Hadoop流使用任何语言编写MapReduce程序的map函数和reduce函数。  
> 例如：bin/hadoop jar contrib/streaming/hadoop-streaming-0.20.203.0.jar -mapper /usr/local/hadoop/mapper.php -reducer /usr/local/hadoop/reducer.php -input test/\* -output out4  
> Hadoop流引入的包：hadoop-streaming-0.20.203.0.jar,Hadoop根目录下是没有hadoop-streaming.jar的，因为streaming是一个contrib，所以要去contrib下面找，以hadoop-0.20.2为例，它在这里：  
> \-input：指明输入hdfs文件的路径  
> \-output：指明输出hdfs文件的路径  
> \-mapper：指明map函数  
> \-reducer：指明reduce函数  
>

# mapper函数 #

> mapper.php文件，写入如下代码：

#!/usr/local/php/bin/php
    <?php
    $word2count = array();
    // input comes from STDIN (standard input)
    // You can this code :$stdin = fopen(“php://stdin”, “r”);
    while (($line = fgets(STDIN)) !== false) {
        // remove leading and trailing whitespace and lowercase
        $line = strtolower(trim($line));
        // split the line into words while removing any empty string
        $words = preg_split('/\W/', $line, 0, PREG_SPLIT_NO_EMPTY);
        // increase counters
        foreach ($words as $word) {
            $word2count[$word] += 1;
        }
    }
    // write the results to STDOUT (standard output)
    // what we output here will be the input for the
    // Reduce step, i.e. the input for reducer.py
    foreach ($word2count as $word => $count) {
        // tab-delimited
        echo $word, chr(9), $count, PHP_EOL;
    }
    ?>

> 这段代码的大致意思是：把输入的每行文本中的单词找出来，并以”

hello    1  
             world  1″

> 这样的形式输出出来。

> 和之前写的PHP基本没有什么不同，对吧，可能稍微让你感到陌生有两个地方：

# PHP作为可执行程序 #

> 第一行的
> 
>     #!/usr/local/php/bin/php
> 
> 告诉linux，要用\#!/usr/local/php/bin/php这个程序作为以下代码的解释器。写过linux shell的人应该很熟悉这种写法了，每个shell脚本的第一行都是这样: \#!/bin/bash, \#!/usr/bin/python
> 
> 有了这一行，保存好这个文件以后，就可以像这样直接把mapper.php当作cat, grep一样的命令执行了：./mapper.php

# 使用stdin接收输入 #

> PHP支持多种参数传入的方法，大家最熟悉的应该是从$\_GET, $\_POST超全局变量里面取通过Web传递的参数，次之是从$\_SERVER\['argv'\]里取通过命令行传入的参数，这里，采用的是标准输入stdin
> 
> 它的使用效果是：
> 
> 在linux控制台输入 ./mapper.php
> 
> mapper.php运行，控制台进入等候用户键盘输入状态
> 
> 用户通过键盘输入文本
> 
> 用户按下Ctrl + D终止输入，mapper.php开始执行真正的业务逻辑，并将执行结果输出
> 
> 那么stdout在哪呢？print本身已经就是stdout啦，跟我们以前写web程序和CLI脚本没有任何不同。

# reducer函数 #

> 创建reducer.php文件，写入如下代码：

#!/usr/local/php/bin/php
    <?php
    $word2count = array();
    // input comes from STDIN
    while (($line = fgets(STDIN)) !== false) {
        // remove leading and trailing whitespace
        $line = trim($line);
        // parse the input we got from mapper.php
        list($word, $count) = explode(chr(9), $line);
        // convert count (currently a string) to int
        $count = intval($count);
        // sum counts
        if ($count > 0) $word2count[$word] += $count;
    }
    // sort the words lexigraphically
    //
    // this set is NOT required, we just do it so that our
    // final output will look more like the official Hadoop
    // word count examples
    ksort($word2count);
    // write the results to STDOUT (standard output)
    foreach ($word2count as $word => $count) {
        echo $word, chr(9), $count, PHP_EOL;
    }
    ?>

> 这段代码的大意是统计每个单词出现了多少次数，并以”
> 
> hello   2
> 
> world  1″
> 
> 这样的形式输出

# 用Hadoop来运行 #

> 把文件放入 Hadoop 的 DFS 中：
> 
>     bin/hadoop dfs -put test.log test
> 
> 执行 php 程序处理这些文本( **以Streaming方式执行PHP mapreduce程序**:):  
> 
> 
> bin/hadoop jar contrib/streaming/hadoop-streaming-0.20.203.0.jar -mapper /usr/local/hadoop/mapper.php -reducer /usr/local/hadoop/reducer.php -input test/\* -output out
> 
> 注意：
> 
> 1) input和output目录是在hdfs上的路径
> 
> 2) mapper和reducer是在本地机器的路径，一定要写绝对路径，不要写相对路径，以免到时候hadoop报错说找不到mapreduce程序
> 
> 3 ) mapper.php 和 reducer.php 必须复制到所有 DataNode 服务器上的相同路径下, 所有的服务器都已经安装php.且安装路径一样.  
>

# 查看结果 #

> bin/hadoop d fs -cat /tmp/out/part-00000