mrjob使用 Python 编写 MapReduce 作业

mrjob 可以让用 Python 2.5+ 来编写 MapReduce 作业，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
• 使用 Amazon Elastic MapReduce (EMR) 在云上运行

一些重要功能：

• 在EMR，Google Cloud Dataproc，您自己的Hadoop群集或本地（用于测试）上运行作业。
• 编写多步骤作业（将一个映射减少步骤馈入下一个步骤）
• 在EMR或您自己的Hadoop集群上轻松启动Spark作业
• 在Hadoop中复制您的生产环境
  • 上传您的源代码树并将其放入您的工作 $PYTHONPATH
  • 运行make和其他安装脚本
  • 设置环境变量（例如$TZ）
  • 从tarball轻松安装python软件包（仅适用于EMC）
  • 安装程序由mrjob.conf配置文件透明处理
• 自动解释错误日志
• SSH隧道到hadoop作业跟踪器（仅适用于EMC）
• 最少的设置
  • 要在EMR上运行，请设置$AWS_ACCESS_KEY_ID和$AWS_SECRET_ACCESS_KEY
  • 要在Dataproc上运行，请设置 $GOOGLE_APPLICATION_CREDENTIALS
  • 无需设置即可在自己的Hadoop集群上使用mrjob

pip 的安装方法：pip install mrjob

示例代码：

from mrjob.job import MRJob


class MRWordCounter(MRJob):

    def mapper(self, key, line):
        for word in line.split():
            yield word, 1

    def reducer(self, word, occurrences):
        yield word, sum(occurrences)


if __name__ == '__main__':
    MRWordCounter.run()