IEEE Spectrum的
第三次“最受欢迎编程语言”中
C语言居首
有人说是大数据赢了
今天我们与小伙伴们
探讨C与大数据的开发实践
大数据是使用工具和技术处理大量和复杂数据集合的术语
能够处理大量数据的技术称为MapReduce
何时使用MapReduce
MapReduce特别适合涉及大量数据的问题
它通过将工作分成更小的块,然后可以被多个系统处理。由于MapReduce将一个问题分片并行工作,与传统系统相比,解决方案会更快。
大概有如下场景会应用到MapReduce:
1 计数和统计 2 整理 3 过滤 4 排序
Apache Hadoop
在本文中
我们将使用Apache Hadoop
开发MapReduce解决方案
推荐使用Hadoop
它已经是事实上的标准
同时也是开源免费的软件
另外在Amazon,Google和Microsoft等
云提供商租用或搭建Hadoop集群
还有其他多个优点:
可扩展:可以轻松清加新的处理节点,而无需更改一行代码
成本效益:不需要任何专门和奇特的硬件,因为软件在正常的硬件都运行正常
灵活:无模式。可以处理任何数据结构 ,甚至可以组合多个数据源,而不会有很多问题。
容错:如果有节点出现问题,其它节点可以接收它的工作,整个集群继续处理。
另外,Hadoop容器还是支持一种称为“流”的应用程序,它为用户提供了选择用于开发映射器和还原器脚本语言的自由度。
本文中我们将使用PHP做为主开发语言。
Hadoop安装
Apache Hadoop的安装配置超出了本文范围。小伙伴们可以根据自己的平台,在线轻松找到很多文章。为了保持简单,我们只讨论大数据相关的事。
映射器(Mapper)
映射器的任务是将输入转换成一系列的键值对。比如在字计数器的情况下,输入是一系列的行。我们按单词将它们分开,把它们变成键值对(如key:word,value:1),看起来像这样:
the 1water 1on 1on 1water 1on 1... 1
然后,这些对然后被发送到reducer以进行下一步骤。
reducer
reducer的任务是检索(排序)对,迭代并转换为所需输出。 在单词计数器的例子中,取单词数(值),并将它们相加得到一个单词(键)及其最终计数。如下:
water 2the 1on 3
mapping和reducing的整个过程看起来有点像这样,请看下列之图表:
使用PHP做单词计数器
我们将从MapReduce世界的“Hello World”的例子开始,那就是一个简单的单词计数器的实现。 我们将需要一些数据来处理。我们用已经公开的书Moby Dick来做实验。
执行以下命令下载这本书:
wget http://www.gutenberg.org/cache ... 1.txt
在HDFS(Hadoop分布式文件系统)中创建一个工作目录
hadoop dfs -mkdir wordcount
我们的PHP代码从mapper开始
下面是 reducer 代码。
小伙伴们可以通过使用某些命令和管道的组合来在本地轻松测试脚本。
head -n1000 pg2701.txt | ./mapper.php | sort | ./reducer.php
我们在Apache Hadoop集群上运行它:
输出将存储在文件夹hello / result中,可以通过执行以下命令查看
hdfs dfs -cat hello/result/part-00000
计算年均黄金价格
下一个例子是一个更实际的例子,虽然数据集相对较小,但是相同的逻辑可以很容易地应用于具有数百个数据点的集合上。 我们将尝试计算过去五十年的黄金年平均价格。
我们下载数据集:
wget https://raw.githubusercontent. ... a.csv
在HDFS(Hadoop分布式文件系统)中创建一个工作目录
hadoop dfs -mkdir goldprice
将已下载的数据集复制到HDFS
hadoop dfs -copyFromLocal ./data.csv goldprice/data.csv
我的reducer看起来像这样
reducer也略有修改,因为我们需要计算项目数量和平均值。
像单词统计样例一样,我们也可以在本地测试
head -n1000 data.csv | ./mapper.php | sort | ./reducer.php
最终在hadoop集群上运行它
查看平均值
hdfs dfs -cat goldprice/result/part-00000
小奖励:生成图表
我们经常会将结果转换成图表。 对于这个演示,我将使用gnuplot,小伙伴们可以使用其它任何有趣的东西。
首先在本地返回结果:
hdfs dfs -get goldprice/result/part-00000 gold.dat
创建一个gnu plot配置文件(gold.plot)并复制以下内容
# Gnuplot script file for generating gold pricesset terminal pngset output "chart.jpg"set style data linesset nokeyset gridset title "Gold prices"set xlabel "Year"set ylabel "Price"plot "gold.dat"
生成图表:
gnuplot gold.plot
这会生成一个名为chart.jpg的文件。看起来像这样: