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()