用PHP编写Hadoop的MapReduce程序

目录(?)[+]

Hadoop流

虽然Hadoop是用java写的，可是Hadoop提供了Hadoop流，Hadoop流提供一个API, 容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标准流做为程序与Hadoop之间的接口。所以，任何程序只要能够从标准输入流中读取数据，而且能够把数据写入标准输出流中，那么就能够经过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，由于streaming是一个contrib，因此要去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，写入以下代码：

[php] view plain copy print ?

1. #!/usr/local/php/bin/php  
2. <?php  
3. $word2count = array();  
4. // input comes from STDIN (standard input)  
5. // You can this code :$stdin = fopen(“php://stdin”, “r”);  
6. while (($line = fgets(STDIN)) !== false) {  
7.     // remove leading and trailing whitespace and lowercase  
8.     $line = strtolower(trim($line));  
9.     // split the line into words while removing any empty string  
10.     $words = preg_split('/\W/', $line, 0, PREG_SPLIT_NO_EMPTY);  
11.     // increase counters  
12.     foreach ($words as $word) {  
13.         $word2count[$word] += 1;  
14.     }  
15. }  
16. // write the results to STDOUT (standard output)  
17. // what we output here will be the input for the  
18. // Reduce step, i.e. the input for reducer.py  
19. foreach ($word2count as $word => $count) {  
20.     // tab-delimited  
21.     echo $word, chr(9), $count, PHP_EOL;  
22. }  
23. ?>  

这段代码的大体意思是：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。

和以前写的PHP基本没有什么不一样，对吧，可能稍微让你感到陌生有两个地方：

PHP做为可执行程序

第一行的

[php] view plain copy print ?

1. #!/usr/local/php/bin/php  

告诉linux，要用#!/usr/local/php/bin/php这个程序做为如下代码的解释器。写过linux shell的人应该很熟悉这种写法了，每一个shell脚本的第一行都是这样: #!/bin/bash, #!/usr/bin/python

有了这一行，保存好这个文件之后，就能够像这样直接把mapper.php看成cat, grep同样的命令执行了：./mapper.php

使用stdin接收输入

PHP支持多种参数传入的方法，你们最熟悉的应该是从$_GET, $_POST超全局变量里面取经过Web传递的参数，次之是从$_SERVER['argv']里取经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

用户经过键盘输入文本

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自己已经就是stdout啦，跟咱们之前写web程序和CLI脚本没有任何不一样。

reducer函数

建立reducer.php文件，写入以下代码：

[php] view plain copy print ?

1. #!/usr/local/php/bin/php  
2. <?php  
3. $word2count = array();  
4. // input comes from STDIN  
5. while (($line = fgets(STDIN)) !== false) {  
6.     // remove leading and trailing whitespace  
7.     $line = trim($line);  
8.     // parse the input we got from mapper.php  
9.     list($word, $count) = explode(chr(9), $line);  
10.     // convert count (currently a string) to int  
11.     $count = intval($count);  
12.     // sum counts  
13.     if ($count > 0) $word2count[$word] += $count;  
14. }  
15. // sort the words lexigraphically  
16. //  
17. // this set is NOT required, we just do it so that our  
18. // final output will look more like the official Hadoop  
19. // word count examples  
20. ksort($word2count);  
21. // write the results to STDOUT (standard output)  
22. foreach ($word2count as $word => $count) {  
23.     echo $word, chr(9), $count, PHP_EOL;  
24. }  
25. ?>  

这段代码的大意是统计每一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，必定要写绝对路径，不要写相对路径，以避免到时候hadoop报错说找不到mapreduce程序

3 ) mapper.php 和 reducer.php 必须复制到全部 DataNode 服务器上的相同路径下, 全部的服务器都已经安装php.且安装路径同样.

查看结果

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