Hadoop導入とPythonによるMapReduce

Hadoop始めたいけどJavaで書くのめんどくさい… という人のためのチュートリアル．

HadoopはJavaで記述されているため基本的にはMapper/ReducerもJavaで記述するが，HadoopにはHadoop Streamingという機能があり，Unixの標準入出力を介してデータの受け渡しをすることができる．
これを用いてPythonでMapper/Reducerを書いてみた．もちろんHadoop Streamingを利用すればPython以外の言語でも書ける．

今回はUbuntu上に擬似分散環境を構築してみた．

Ubuntu12.04 + Haadoop2.4.1

Hadoopの環境構築

Javaがない場合はインストール

$ sudo apt-get update
$ sudo apt-get install openjdk-7-jdk

Hadoopをダウンロード

$ wget http://mirror.nexcess.net/apache/hadoop/common/hadoop-2.4.1/hadoop-2.4.1.tar.gz
$ tar zxvf hadoop-2.4.1.tar.gz
$ mv hadoop-2.4.1.tar.gz hadoop
$ rm hadoop-2.4.1.tar.gz
$ sudo mv hadoop /usr/local
$ cd /usr/local/hadoop
$ export PATH=$PATH:/usr/local/hadoop/bin #.zshrcに書いておくとよい

以下の4つのファイルを編集

$ vim etc/hadoop/core-site.xml

core-site.xml

...
<configuration>
     <property>
         <name>fs.default.name</name>
         <value>hdfs://localhost:9000</value>
     </property>
</configuration>

$ vim etc/hadoop/hdfs-site.xml

hdfs-site.xml

...
<configuration>
     <property>
         <name>dfs.replication</name>
         <value>1</value>
     </property>
</configuration>

$ mv etc/hadoop/mapred-site.xml.template etc/hadoop/mapred-site.xml
$ vim etc/hadoop/mapred-site.xml

mapred-site.xml

...
<configuration>
     <property>
         <name>dfs.replication</name>
         <value>1</value>
     </property>
</configuration>

$ vim etc/hadoop/hadoop-env.xml

hadoop-env.xml

...
export JAVA_HOME=/usr/lib/jvm/java-7-openjdk-amd64
export HADOOP_INSTALL=/usr/local/hadoop
export PATH=$PATH:$HADOOP_INSTALL/bin
export PATH=$PATH:$HADOOP_INSTALL/sbin
export HADOOP_MAPRED_HOME=$HADOOP_INSTALL
export HADOOP_COMMON_HOME=$HADOOP_INSTALL
export HADOOP_HDFS_HOME=$HADOOP_INSTALL
export YARN_HOME=$HADOOP_INSTALL
export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_INSTALL/lib/native
export HADOOP_OPTS="-Djava.library.path=$HADOOP_INSTALL/lib"
...

鍵がない場合は追加する

$ ssh-keygen -t dsa -P '' -f ~/.ssh/id_dsa
$ cat ~/.ssh/id_dsa.pub >> ~/.ssh/authorized_keys

最後にnamenodeを初期化し，Hadoopを起動する

$ hdfs namenode -format
$ sbin/start-dfs.sh

PythonによるMapper/Reducerの記述

今回は，HadoopのサンプルコードであるWordCountをPythonで記述する

まず，入力ファイルを用意する

$ mkdir inputs
$ echo "a b b c c c" > inputs/input.txt

Mapper

$ vim mapper.py

mapper.py

#!/usr/bin/env python

import sys

for l in sys.stdin:
    for word in l.strip().split(): print '{0}\t1'.format(word)

Mapperは以下のようなものを出力する

a    1
b    1
b    1
c    1
c    1
c    1

Reducer

$ vim reducer.py

reducer.py

#!/usr/bin/env python

from collections import defaultdict
from operator import itemgetter
import sys

wordcount_dict = defaultdict(int)

for l in sys.stdin:
    word, count = line.strip().split('\t')
    wordcount_dict[word] += int(count)

for word, count in sorted(wordcount_dict.items(), key=itemgetter(0)):
    print '{0}\t{1}'.format(word, count)

ReducerはMapperで出力されたそれぞれのwordを数え上げ，以下のようなものを出力する

a    1
b    2
c    3

Hadoop Streamingによる実行

いよいよ上記のMapper/ReducerをHadoop上で実行する

まず．Hadoop Streamingのためのjarファイルをダウンロードする

$ wget http://repo1.maven.org/maven2/org/apache/hadoop/hadoop-streaming/2.4.1/hadoop-streaming-2.4.1.jar

HDFS上にディレクトリを作成し，入力ファイルをのせる
(ローカル上のファイルととHDFS上のファイルがこっちゃにならないように注意)

$ hdfs dfs -mkdir /user
$ hdfs dfs -mkdir /user/vagrant
$ hdfs dfs -put inputs/input.txt /user/vagrant

実行すると指定した出力ディレクトリに結果が格納される

$ hadoop jar hadoop-streaming-2.4.1.jar -mapper mapper.py -reducer reducer.py -input /user/vagrant/input.txt -output outputs
$ hdfs dfs -cat /user/vagrant/outputs/part-00000
a    1
b    2
c    3