hadoop streaming anaconda python 计算平均值
原始Liunx 的python版本不带numpy ，安装了anaconda 之后，使用hadoop streaming 时无法调用anaconda python，后来发现是参数没设置好。。。
进入正题：
环境：
4台服务器：master slave1slave2slave3。
全部安装anaconda2与anaconda3， 主环境py2 。anaconda2与anaconda3共存见：Ubuntu16.04 Liunx下同时安装Anaconda2与Anaconda3
安装目录：/home/orient/anaconda2
Hadoop 版本2.4.0
数学原理：
设有一组数字，这组数字的均值和方差如下：
每个部分的{count(元素个数)、sum1/count、sum2/count}，然后在reduce端将所有map端传入的sum1加起来在除以总个数n得到均值mean；将所有的sum2加起来除以n再减去均值mean的平方，就得到了方差var.
数据准备：
inputFile.txt 一共100个数字 全部数据 下载：
0.970413
0.901817
0.828698
0.197744
0.466887
0.962147
0.187294
0.388509
0.243889
0.115732
0.616292
0.713436
0.761446
0.944123
0.200903
编写mrMeanMapper.py
#!/usr/bin/env python
import sys
from numpy import mat, mean, power
def read_input(file):
for line in file:
yield line.rstrip()
input = read_input(sys.stdin)#creates a list of input lines
input = #overwrite with floats
numInputs = len(input)
input = mat(input)
sqInput = power(input,2)
#output>
print "%d\t%f\t%f" % (numInputs, mean(input), mean(sqInput)) #calc mean of columns
print >> sys.stderr, "report: still alive"
编写mrMeanReducer.py
#!/usr/bin/env python
import sys
from numpy import mat, mean, power
def read_input(file):
for line in file:
yield line.rstrip()
input = read_input(sys.stdin)#creates a list of input lines
#split input lines into separate items and store in list of lists
mapperOut =
#accumulate total number of samples, overall sum and overall sum sq
cumVal=0.0
cumSumSq=0.0
cumN=0.0
for instance in mapperOut:
nj = float(instance)
cumN += nj
cumVal += nj*float(instance)
cumSumSq += nj*float(instance)
#calculate means
mean = cumVal/cumN
meanSq = cumSumSq/cumN
#output>
print "%d\t%f\t%f" % (cumN, mean, meanSq)
print >> sys.stderr, "report: still alive"
本地测试mrMeanMapper.py ,mrMeanReducer.py
cat inputFile.txt |python mrMeanMapper.py |python mrMeanReducer.py
我把 inputFile.txt，mrMeanMapper.py ,mrMeanReducer.py都放在了同一目录下 ~/zhangle/Ch15/hh/hh
所有的操作也都是这此目录下！！！
将inputFile.txt上传到hdfs
zhangle/mrmean-i 是HDFS上的目录
hadoop fs -put inputFile.txt zhangle/mrmean-i
运行Hadoop streaming
hadoop jar /usr/programs/hadoop-2.4.0/share/hadoop/tools/lib/hadoop-streaming-2.4.0.jar\
-input zhangle/mrmean-i \
-output zhangle/output12222 \
-file mrMeanMapper.py \
-file mrMeanReducer.py \
-mapper "/home/orient/anaconda2/bin/python mrMeanMapper.py" \
-reducer "/home/orient/anaconda2/bin/python mrMeanReducer.py"
参数解释：
第一行：/usr/programs/hadoop-2.4.0/share/hadoop/tools/lib/hadoop-streaming-2.4.0.jar 是我Hadoop streaming 所在的目录
第二行：zhangle/mrmean-i是刚才将inputFile.txt 上传的目录
第三行：zhangle/mrmean-out12222 是结果输出目录，也是在HDFS上
第四行： mrMeanMapper.py是当前目录下的mapper程序
第五行： mrMeanRdeducer.py是当前目录下的reducer程序
第六行：/home/orient/anaconda2/bin/python是anaconda2目录下的python ，如果去掉，会直接调用自带的python，自带python没有安装numpy等python包。！！
第七行： 同第六行。
查看运行结果：
hadoop fs -cat zhangle/output12222/part-00000
问题解决
1. 出现“Error: java.lang.RuntimeException: PipeMapRed.waitOutputThreads(): subprocess failed with code 1”的错误
解决方法：
在hadoop上实施MapReduce之前，一定要在本地运行一下你的python程序，看
[*] 首先进入包含map和reduce两个py脚本文件和数据文件inputFile.txt的文件夹中。然后输入一下命令，看是否执行通过：
[*] cat inputFile.txt |python mrMeanMapper.py |python mrMeanReducer.py
2.出现错误：“Error: java.lang.RuntimeException: PipeMapRed.waitOutputThreads(): subprocess failed with code 2”，或者出现jar文件找不到的情况，或者出现输出文件夹已经存在的情况。
[*]Mapper.py和Reduce.py的最前面要加上：#!/usr/bin/env python 这条语句
[*]在Hadoop Streaming命令中，请确保按以下的格式来输入
[*]
1 hadoop jar /usr/programs/hadoop-2.4.0/share/hadoop/tools/lib/hadoop-streaming-2.4.0.jar\
2 -input zhangle/mrmean-i \
3 -output zhangle/output12222 \
4 -file mrMeanMapper.py \
5 -file mrMeanReducer.py \
6 -mapper "/home/orient/anaconda2/bin/python mrMeanMapper.py" \
7 -reducer "/home/orient/anaconda2/bin/python mrMeanReducer.py"
[*]要确保jar文件的路径正确，hadoop 2.4版本的该文件是保存在：$HADOOP_HOME/share/hadoop/tools/lib/hadoop-streaming-2.4.0.jar中，不同的hadoop版本可能略有不同HDFS中的输出文件夹（这里是HDFS下的/user/hadoop/mr-ouput13），一定要是一个新的（之前不存在）的文件夹，因为即使上条Hadoop Streaming命令没有执行成功，仍然会根据你的命令来创建输出文件夹，而后面再输入Hadoop Streaming命令如果使用相同的输出文件夹时，就会出现“输出文件夹已经存在的错误”；参数 –file后面是map和reduce的脚本，路径可以是详细的绝对路径，，也可以是当前路径，当前路径下一定要有mapper，reducer 函数，但是在参数 -mapper 和-reducer之后，需要指定python脚本的环境目录，而且用引号引起来。
3.出现错误：“Error: java.lang.RuntimeException: PipeMapRed.waitOutputThreads(): subprocess failed with code 127”.
脚本环境的问题在第六行与第七行 加上python 环境目录即可。
参考：
http://www.cnblogs.com/lzllovesyl/p/5286793.html
http://www.zhaizhouwei.cn/hadoop/190.html
http://blog.csdn.net/wangzhiqing3/article/details/8633208
页:
[1]