本例中直接用python写一个MapReduce实例：统计输入文件的单词的词频

使用python写MapReduce的“诀窍”是利用Hadoop流的API，通过STDIN(标准输入)、STDOUT(标准输出)在Map函数和Reduce函数之间传递数据。

我们唯一需要做的是利用Python的sys.stdin读取输入数据，并把我们的输出传送给sys.stdout。Hadoop流将会帮助我们处理别的任何事情。

1、map函数（mapper.py）

#!/usr/bin/env pythonimport sysfor line in sys.stdin:    line = line.strip()    words = line.split()    for word in words:        print "%s\t%s" % (word, 1)

文件从STDIN读取文件。把单词切开，并把单词和词频输出STDOUT。Map脚本不会计算单词的总数，而是输出<word> 1。在我们的例子中，我们让随后的Reduce阶段做统计工作。

2、reduce函数（reducer.py）

#!/usr/bin/env pythonfrom operator import itemgetterimport syscurrent_word = Nonecurrent_count = 0word = Nonefor line in sys.stdin:    line = line.strip()    word, count = line.split(‘\t‘, 1)    try:        count = int(count)    except ValueError:  #count如果不是数字的话，直接忽略掉        continue    if current_word == word:        current_count += count    else:        if current_word:            print "%s\t%s" % (current_word, current_count)        current_count = count        current_word = wordif word == current_word:  #不要忘记最后的输出    print "%s\t%s" % (current_word, current_count)

文件会读取mapper.py 的结果作为reducer.py 的输入，并统计每个单词出现的总的次数，把最终的结果输出到STDOUT。

细节：split(‘\t‘, 1)，表示只截取一次

3、执行

（1）本地测试

cat input | python mapper.py | sort -k1,1| python reducer.py

(2)hadoop测试

/home/work/tools/hadoop/bin/hadoop streaming \
-Dmapred.job.name="test-job" \
-Dmapred.job.priority=NORMAL \
-Dmapred.reduce.tasks=1 \
-mapper ‘python mapper.py‘ \
-reducer ‘python reducer.py‘ \
-file /home/work/code/mapper.py \
-file /home/work/code/reducer.py \
-input hdfs://data/input \
-output hdfs://data/output

【转】用python写MapReduce函数——以WordCount为例