Hadoop 实战之Streaming(三)
2012-10-20 08:17
337 查看
Google曾经有一道非常经典的面试题:
给你一个长度为N的链表。N很大,但你不知道N有多大。你的任务是从这N个元素中随机取出k个元素。你只能遍历这个链表一次。你的算法必须保证取出的元素恰好有k个,且它们是完全随机的(出现概率均等)?
这道题的解法非常多,网上讨论也非常热烈。本文要讨论的是,这个问题是从何而来,有什么实用价值?
自从有了Hadoop之后,该问题便有了新的应用载体。随着数据量的增多,很多数据挖掘算法被转移到MapReduce上实现,而数据挖掘中有个基本的问题是怎样对数据进行抽样。在Hadoop中,每个job会被分解成多个task并行计算,而数据的总量事先是不知道的(知道job运行结束才能获取数总数,而数据量非常大时,扫描一遍数据的代价非常高),用户知道的只是要获取的样本量,那怎样在类似于Hadoop的分布式平台上进行数据抽样?
回过头来看google的这道面试题,是不是正好时Hadoop平台上海量数据抽样问题?
我们可以在Hadoop应用中应该同样的脚本来得到一个数据集样本,采样的数据集通常用于程序开发,因为你可以基于它在单机或者伪分布式下递归地快速调试Hadoop程序
环境:Vmware 8.0 和ubuntu11.04
第一步: 首先在/home/tanglg1987目录下新建一个start.sh脚本文件,每次启动虚拟机都要删除/tmp目录下的全部文件,重新格式化namenode,代码如下:
第二步:给start.sh增加执行权限并启动hadoop伪分布式集群,代码如下:
运行过程如下:
第三步:上传本地文件到hdfs
在专利局http://data.nber.org/patents/网站下载专利数据
http://data.nber.org/patents/apat63_99.zip
第四步:新建一个RandomSample.py的Python文件
第五步:新建一个test.py的Python文件
解决Linux下运行Python脚本显示“: 没有那个文件或目录”的问题
我猜不少人都遇到过类似的问题:
在Windows下写好了一个python脚本,运行没问题
但放到Linux系统下就必须在命令行前加上一个python解释器才能运行
脚本开头的注释行已经指明了解释器的路径,也用chmod给了执行权限,但就是不能直接运行脚本。
比如这个脚本:
#!/usr/bin/env python
#-*- coding=utf-8 -*-
def main():
print('This is just a test!\r\n')
if __name__ == '__main__':
main()
按理说没错的,但为什么不能直接运行呢?
后来发现问题出在换行表示上……
Windows下,文本的换行是\r\n一同实现的,而*nix下则只用\n
所以我的第一行代码在Linux下就被识别为了:
#!/usr/bin/env python\r
很显然,系统不知道这个"python\r"是个什么东西……
知道了这个,解决方案就很显而易见了,写了一个自动替换换行标志的脚本:
第六步:新建一个replace.sh的shell文件
运行过程如下:
第七步:编写一个名为:list-4-3.sh的shell脚本
第八步:给list-4-3.sh增加执行权限并启动脚本,代码如下:
第九步:运行过程如下:
第十步:查看结果集,运行结果如下:
给你一个长度为N的链表。N很大,但你不知道N有多大。你的任务是从这N个元素中随机取出k个元素。你只能遍历这个链表一次。你的算法必须保证取出的元素恰好有k个,且它们是完全随机的(出现概率均等)?
这道题的解法非常多,网上讨论也非常热烈。本文要讨论的是,这个问题是从何而来,有什么实用价值?
自从有了Hadoop之后,该问题便有了新的应用载体。随着数据量的增多,很多数据挖掘算法被转移到MapReduce上实现,而数据挖掘中有个基本的问题是怎样对数据进行抽样。在Hadoop中,每个job会被分解成多个task并行计算,而数据的总量事先是不知道的(知道job运行结束才能获取数总数,而数据量非常大时,扫描一遍数据的代价非常高),用户知道的只是要获取的样本量,那怎样在类似于Hadoop的分布式平台上进行数据抽样?
回过头来看google的这道面试题,是不是正好时Hadoop平台上海量数据抽样问题?
我们可以在Hadoop应用中应该同样的脚本来得到一个数据集样本,采样的数据集通常用于程序开发,因为你可以基于它在单机或者伪分布式下递归地快速调试Hadoop程序
环境:Vmware 8.0 和ubuntu11.04
第一步: 首先在/home/tanglg1987目录下新建一个start.sh脚本文件,每次启动虚拟机都要删除/tmp目录下的全部文件,重新格式化namenode,代码如下:
sudo rm -rf /tmp/* rm -rf /home/tanglg1987/hadoop-0.20.2/logs hadoop namenode -format hadoop datanode -format start-all.sh hadoop fs -mkdir input hadoop dfsadmin -safemode leave
第二步:给start.sh增加执行权限并启动hadoop伪分布式集群,代码如下:
chmod 777 /home/tanglg1987/start.sh ./start.sh
运行过程如下:
第三步:上传本地文件到hdfs
在专利局http://data.nber.org/patents/网站下载专利数据
http://data.nber.org/patents/apat63_99.zip
hadoop fs -put /home/tanglg1987/apat63_99.txt input
第四步:新建一个RandomSample.py的Python文件
#!/usr/bin/env python import sys, random for line in sys.stdin: if (random.randint(1,100) <= int(sys.argv[1])): print line.strip()
第五步:新建一个test.py的Python文件
解决Linux下运行Python脚本显示“: 没有那个文件或目录”的问题
我猜不少人都遇到过类似的问题:
在Windows下写好了一个python脚本,运行没问题
但放到Linux系统下就必须在命令行前加上一个python解释器才能运行
脚本开头的注释行已经指明了解释器的路径,也用chmod给了执行权限,但就是不能直接运行脚本。
比如这个脚本:
#!/usr/bin/env python
#-*- coding=utf-8 -*-
def main():
print('This is just a test!\r\n')
if __name__ == '__main__':
main()
按理说没错的,但为什么不能直接运行呢?
后来发现问题出在换行表示上……
Windows下,文本的换行是\r\n一同实现的,而*nix下则只用\n
所以我的第一行代码在Linux下就被识别为了:
#!/usr/bin/env python\r
很显然,系统不知道这个"python\r"是个什么东西……
知道了这个,解决方案就很显而易见了,写了一个自动替换换行标志的脚本:
#!/usr/bin/env python #-*- coding=utf-8 -*- import sys, os def replace_linesep(file_name): if type(file_name) != str: raise ValueError new_lines = [] #以读模式打开文件 try: fobj_original = open(file_name, 'r') except IOError: print('Cannot read file %s!' % file_name) return False #逐行读取原始脚本 print('Reading file %s' % file_name) line = fobj_original.readline() while line: if line[-2:] == '\r\n': new_lines.append(line[:-2] + '\n') else: new_lines.append(line) line = fobj_original.readline() fobj_original.close() #以写模式打开文件 try: fobj_new = open(file_name, 'w') except IOError: print('Cannot write file %s!' % file_name) return False #逐行写入新脚本 print('Writing file %s' % file_name) for new_line in new_lines: fobj_new.write(new_line) fobj_new.close() return True def main(): args = sys.argv if len(args) < 2: print('Please enter the file names as parameters follow this script.') os._exit(0) else: file_names = args[1:] for file_name in file_names: if replace_linesep(file_name): print('Replace for %s successfully!' % file_name) else: print('Replace for %s failed!' % file_name) os._exit(1) if __name__ == '__main__': main()
第六步:新建一个replace.sh的shell文件
/home/tanglg1987/test/streaming/test.py *.py
运行过程如下:
第七步:编写一个名为:list-4-3.sh的shell脚本
$HADOOP_HOME/bin/hadoop jar $HADOOP_HOME/hadoop-0.20.2-streaming.jar -input input/apat63_99.txt -output output -file /home/tanglg1987/test/streaming/RandomSample.py -mapper 'RandomSample.py 10' D mapred.reduce.tasks=1
第八步:给list-4-3.sh增加执行权限并启动脚本,代码如下:
chmod 777 /home/tanglg1987/list-4-3.sh ./list-4-3.sh
第九步:运行过程如下:
第十步:查看结果集,运行结果如下:
相关文章推荐
- Hadoop Streaming 实战: 多路输出
- Hadoop 实战之Streaming(九)
- Hadoop Streaming 实战: aggregate
- Hadoop 实战之Streaming(十)
- Hadoop Streaming 实战: 输出文件分割
- Hadoop 实战之Streaming(十一)
- Hadoop Streaming 实战: 多路输出
- Hadoop Streaming 实战: 输出文件分割
- Hadoop 实战之Streaming(十二)
- Hadoop Streaming 实战: 文件分发与打包
- Hadoop-Streaming实战经验及问题解决方法总结
- Hadoop Streaming 实战: grep
- Hadoop Streaming 实战: 传递环境变量
- Hadoop Streaming 实战: 多路输出
- Hadoop Streaming 实战: 实用Partitioner类KeyFieldBasedPartitioner
- Hadoop Streaming 实战: bash脚本
- Hadoop 实战之Streaming(四)
- Hadoop Streaming 实战: 多路输出
- Hadoop Streaming 实战: 多路输出
- Hadoop Streaming 实战: 文件分发与打包