使用 Swift语言进行 Hadoop 数据流应用程序开发

2023-07-31 原文

本文详细源代码请参考 Github Perfect Examples

该项目展示了如何使用 Swift 语言开发 Hadoop 流处理应用程序。

该软件使用SPM进行编译和测试，本软件也是Perfect项目的一部分。本软件包可独立使用，因此使用时可以脱离PerfectLib等其他组件。

请确保您已经安装并激活了最新版本的 Swift 3.0 tool chain 工具链。

问题报告、内容贡献和客户支持

我们目前正在过渡到使用JIRA来处理所有源代码资源合并申请、修复漏洞以及其它有关问题。因此，GitHub 的“issues”问题报告功能已经被禁用了。

如果您发现了问题，或者希望为改进本文提供意见和建议，请在这里指出.

在您开始之前，请参阅目前待解决的问题清单.

简介

本项目包括两类 Hadoop 流处理应用程序：映射器 mapper 和总结器 reducer。这两类程序都是标准的控制台终端程序，即从标准输入读数据readLine()后推送到标准输出print()。

映射器的范例程序 mapper 是将来自标准输入的文本拆分为一个一个的英语单词，然后采用下列格式进行打印（假设输入内容是Hello,world! hello!）:

hello 1
world 1
hello 1

而总结器 reducer 的目标是将这些输入进行统计，最后形成单词统计表：

hello 2
world 1

两个程序的结合使用即可提供单词统计的功能。

Hadoop 的 Map Reduce 正是为上述任务在大数据环境下而设计的，这里的大数据指的是单个文件输入达到 GB 甚至 TB。

映射器 mapper

import CoreFoundation

// 处理每一行文本
public func lineMain() -> Bool {

  // 从输入中读取一行；如果为nil则表示输入已经关闭了
  guard let line = readLine() else {
    return false
  }

  // 简单处理一下文字，取小写并过滤符号
  let filter = line.lowercased().characters.filter{ $0 >= "a" && $0 <= "z" || $0 == " " }

  // 然后再把单词输出，并增加一个“1”
  filter.split(separator: " ").forEach { raw in
    let word = String(raw)
    print("\(word)\t1")
  }
  return true
}

// 从输入流中读取所有文本行
while(lineMain()){}

总结器 reducer

import CoreFoundation

// 单词表
var dic: [String: Int] = [:]

// 行处理器
public func lineMain() -> Bool {

  // 从标准输入读取一行数据
  guard let line = readLine() else {
    return false
  }

  // 拆分成单词及其统计数量
  let e = line.characters.split(separator: "\t")
  if e.count < 2 {
    return true
  }//end if
  // 保存到单词表
  let key = String(e[0])
  let value = Int(String(e[1])) ?? 0
  let count = dic[key] ?? 0
  dic[key] = count + value
  return true
}


// 处理所有行
while(lineMain()){}

// 打印结果
dic.keys.sorted().forEach { key in
  let value = dic[key] ?? 0
  print("\(key)\t\(value)")
}

编译

由于采用标准流程序开发，因此编译这些应用不需要任何其他依存关系。您只需打开一个终端窗口并运行swift build命令即可：

$ cd mapper
$ swift build
$ cd ../reducer
$ swift build

测试

在部署到Hadoop 集群之前，您可以尝试在普通的命令行环境下进行测试（testdata.txt 文件是一个常规的文本文件，采用ASCII或UTF-8编码即可）。本工程目录下包括了可以用于测试的数据文件和脚本。

$ cat testdata.txt | ./mapper/.build/release/mapper | sort | ./reducer/.build/release/reducer

在 Hadoop 上运行程序

和上面的管道操作类似，试验成功后您可以尝试在一个真正的 Hadoop 集群上跑一下新编写的程序了：

$ mapred streaming -input /user/rockywei/input -output /user/rockyweI/Output -mapper /usr/local/bin/mapper -reducer /usr/local/bin/reducer

如果任务成功，您可以用下列命令在集群上查看输出：

$ hadoop fs -cat /user/rockyweI/Output/part-00000

详细说明

上述映射-总结程序的细节解释参考如下：

mapred streaming: 向 Hadoop 集群申请一个新的应用程序任务，采用流处理模式（即纯文本）。
-input /user/rockywei/input: 在HADOOP HDFS文件系统上的 输入文件夹。典型情况是您需要向Hadoop 管理员帮助您用hadoop fs -mkdir命令行建立文件，然后再通过命令将待处理数据上传到该文件夹：hadoop fs -put [cluster folder] /local/pathto/data.txt。
-output /user/rockyweI/Output: 在HADOOP HDFS文件系统上的 输出文件夹。特别注意最后一个子目录/output不应该创建，也就是说，只要您有/user/rockywei就好，mapreduce 会自动创建这个输出文件夹。
-mapper /usr/local/bin/mapper: 我们刚编译好的映射器，您可以采用下列命令安装到服务器本地文件夹： swift build; sudo mv ./.build/release/mapper /usr/local/bin。
-reducer /usr/local/bin/reducer: 我们刚编译好的总结器，您可以采用下列命令安装到服务器本地文件夹swift build; sudo mv ./.build/release/reducer /usr/local/bin。

下一步：Perfect Hadoop

Hadoop 是一个大数据生态系统 —— 包括 HDFS 高性能多冗余文件系统，Map-Reduce 文件处理程序和 YARN 集群资源管理系统 —— 构成了最基本的大数据系统。

如上所示，在 Hadoop 上编写流处理程序是一个很简单的工作，也不需要依赖于特定的软件体系。但是，除了编写流处理程序之外，您还可以使用 Perfect Hadoop 做更多更强大的事情——任务控制、大文件上下载、集群节点监控——现在所有这些工作都可以使用Swift 语言实现了！