使用python构建基于hadoop的mapreduce日志分析平台

唐伯虎

流量比较大的日志要是直接写入Hadoop对Namenode负载过大，所以入库前合并，可以把各个节点的日志凑并成一个文件写入HDFS。 根据情况定期合成，写入到hdfs里面。咱们看看日志的大小，200G的dns日志文件，我压缩到了18G，要是用awk perl当然也可以，但是处理速度肯定没有分布式那样的给力。
Hadoop Streaming原理mapper和reducer会从标准输入中读取用户数据，一行一行处理后发送给标准输出。Streaming工具会创建MapReduce作业，发送给各个tasktracker，同时监控整个作业的执行过程。
任何语言，只要是方便接收标准输入输出就可以做mapreduce~再搞之前我们先简单测试下shell模拟mapreduce的性能速度~
看下他的结果，350M的文件用时35秒左右。
这是2G的日志文件，居然用了3分钟。 当然和我写的脚本也有问题，我们是模拟mapreduce的方式，而不是调用shell下牛逼的awk，gawk处理。
awk的速度 ！果然很霸道，处理日志的时候，我也很喜欢用awk，只是学习的难度有点大，不像别的shell组件那么灵活简单。
这是官方的提供的两个demo ~ map.py

#!/usr/bin/env python
"""A more advanced Mapper, using Python iterators and generators."""
import sys
def read_input(file):
for line in file:
    # split the line into words
    yield line.split()

　　def main(separator='\t'):
　　# input comes from STDIN (standard input)
　　data = read_input(sys.stdin)
　　for words in data:

# write the results to STDOUT (standard output);
    # what we output here will be the input for the
    # Reduce step, i.e. the input for reducer.py
    #
    # tab-delimited; the trivial word count is 1
    for word in words:
      print '%s%s%d' % (word, separator, 1)

　　if __name__ == "__main__":

　　main()
reduce.py的修改方式

#!/usr/bin/env python
"""A more advanced Reducer, using Python iterators and generators."""
from itertools import groupby
from operator import itemgetter
import sys
def read_mapper_output(file, separator='\t'):
for line in file:
    yield line.rstrip().split(separator, 1)

　　def main(separator='\t'):
　　# input comes from STDIN (standard input)
　　data = read_mapper_output(sys.stdin, separator=separator)
　　# groupby groups multiple word-count pairs by word,
　　# and creates an iterator that returns consecutive keys and their group:
　　#   current_word - string containing a word (the key)
　　#   group - iterator yielding all ["<current_word>", "<count>"] items
　　for current_word, group in groupby(data, itemgetter(0)):

try:
      total_count = sum(int(count) for current_word, count in group)
      print "%s%s%d" % (current_word, separator, total_count)
    except ValueError:
      # count was not a number, so silently discard this item
      pass

　　if __name__ == "__main__":

　　main()
咱们再简单点：

#!/usr/bin/env python
import sys
for line in sys.stdin:
line = line.strip()
words = line.split()
for word in words:
    print '%s\t%s' % (word, 1)</pre><span style="font-family:'微软雅黑', 'microsoft yahei';"><span class="Apple-style-span" style="font-size:20px;"></span></span><br /><pre class="brush:as3;toolbar:false;">#!/usr/bin/env python

　　from operator import itemgetter
　　import sys　　current_word = None
　　current_count = 0
　　word = None　　for line in sys.stdin:
　　line = line.strip()
　　word, count = line.split('\t', 1)
　　try:

count = int(count)
  except ValueError:
    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 = word

　　if current_word == word:

　　print '%s\t%s' % (current_word, current_count)
咱们就简单模拟下数据，跑个测试


剩下就没啥了，在hadoop集群环境下，运行hadoop的steaming.jar组件，加入mapreduce的脚本，指定输出就行了.  下面的例子我用的是shell的成分。

[root@101 cron]#$HADOOP_HOME/bin/hadoop  jar $HADOOP_HOME/contrib/streaming/hadoop-*-streaming.jar \
-input myInputDirs \
-output myOutputDir \
-mapper cat \
-reducer wc

详细的参数，对于咱们来说×××能可以把tasks的任务数增加下，根据情况自己测试下，也别太高了，增加负担。
（1）-input：输入文件路径
（2）-output：输出文件路径
（3）-mapper：用户自己写的mapper程序，可以是可执行文件或者脚本
（4）-reducer：用户自己写的reducer程序，可以是可执行文件或者脚本
（5）-file：打包文件到提交的作业中，可以是mapper或者reducer要用的输入文件，如配置文件，字典等。
（6）-partitioner：用户自定义的partitioner程序
（7）-combiner：用户自定义的combiner程序（必须用java实现）
（8）-D：作业的一些属性（以前用的是-jonconf），具体有：
            1）mapred.map.tasks：map task数目
            2）mapred.reduce.tasks：reduce task数目
            3）stream.map.input.field.separator/stream.map.output.field.separator： map task输入/输出数
据的分隔符,默认均为\t。
             4）stream.num.map.output.key.fields：指定map task输出记录中key所占的域数目
             5）stream.reduce.input.field.separator/stream.reduce.output.field.separator：reduce task输入/输出数据的分隔符，默认均为\t。
             6）stream.num.reduce.output.key.fields：指定reduce task输出记录中key所占的域数目
这里是统计dns的日志文件有多少行 ~ 在mapreduce作为参数的时候，不能用太多太复杂的shell语言，他不懂的~ 可以写成shell文件的模式；

#! /bin/bash
while read LINE; dofor word in $LINEdoecho "$word 1"
    awk '{print $5}'

　　done

　　done

#! /bin/bash
count=0
started=0
word=""
while read LINE;do
  goodk=echo $LINE | cut -d ' '  -f 1
if [ "x" == x"$goodk" ];then
continue
fi
if [ "$word" != "$goodk" ];then
[ $started -ne 0 ] && echo -e "$word\t$count"
  word=$goodk                                                       
count=1
started=1
else
count=$(( $count + 1 ))
fi
done

有时候会出现这样的问题，好好看看自己写的mapreduce程序 ~13/12/14 13:26:52 INFO streaming.StreamJob: Tracking URL: http://101.rui.com:50030/jobdetails.jsp?jobid=job_201312131904_003013/12/14 13:26:53 INFO streaming.StreamJob:  map 0%  reduce 0%13/12/14 13:27:16 INFO streaming.StreamJob:  map 100%  reduce 100%13/12/14 13:27:16 INFO streaming.StreamJob: To kill this job, run:13/12/14 13:27:16 INFO streaming.StreamJob: /usr/local/hadoop/libexec/../bin/hadoop job  -Dmapred.job.tracker=localhost:9001 -kill job_201312131904_003013/12/14 13:27:16 INFO streaming.StreamJob: Tracking URL: http://101.rui.com:50030/jobdetails.jsp?jobid=job_201312131904_003013/12/14 13:27:16 ERROR streaming.StreamJob: Job not successful. Error: # of failed Map Tasks exceeded allowed limit. FailedCount: 1. LastFailedTask: task_201312131904_0030_m_00000013/12/14 13:27:16 INFO streaming.StreamJob: killJob...Streaming Command Failed!
python做为mapreduce执行成功后，结果和日志一般是放在你指定的目录下的，结果是在part-00000文件里面~

下面咱们谈下，如何入库和后台的执行