干货：PHP与大数据开发实践-搜狐

　　大数据是使用工具与技术，来处理大量和复杂数据集合的专用术语，能够处理大量数据的技术称为MapReduce。

　　何时使用MapReduce

　　MapReduce特别适合涉及大数据的问题。它通过把数据处理工作分成非常小的片（或称块），方便被多个系统处理。由于MapReduce将一个问题分片并行工作，与传统软件系统相比，此解决方案速度会更快。

　　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。您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 1

　　water 1

　　on 1

　　water 1

　　on 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 2

　　the 1

　　on 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 https://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

　　#!/usr/bin/php<?php // iterate through lines while($line = fgets(STDIN)){ // remove leading and trailing $line = ltrim($line); $line = rtrim($line); // split the line in words $words = preg_split('/s/', $line, -1, PREG_SPLIT_NO_EMPTY); // iterate through words foreach( $words as $key ) { // print word (key) to standard output // the output will be used in the // reduce (reducer.php) step // word (key) tab-delimited wordcount (1) printf("%st%dn", $key, 1); } }?> 下面是 reducer 代码。

　　#!/usr/bin/php<?php $last_key = NULL; $running_total = 0; // iterate through lines while($line = fgets(STDIN)) { // remove leading and trailing $line = ltrim($line); $line = rtrim($line); // split line into key and count list($key,$count) = explode("t", $line); // this if else structure works because // hadoop sorts the mapper output by it keys // before sending it to the reducer // if the last key retrieved is the same // as the current key that have been received if ($last_key === $key) { // increase running total of the key $running_total += $count; } else { if ($last_key != NULL) // output previous key and its running total printf("%st%dn", $last_key, $running_total); // reset last key and running total // by assigning the new key and its value $last_key = $key; $running_total = $count; } }?>

　　你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：

　　hadoop jar /usr/hadoop/2.5.1/libexec/lib/hadoop-streaming-2.5.1.jar -mapper "./mapper.php" -reducer "./reducer.php" -input "hello/mobydick.txt" -output "hello/result" 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：

　　#!/usr/bin/php<?php // iterate through lines while($line = fgets(STDIN)){ // remove leading and trailing $line = ltrim($line); $line = rtrim($line); // regular expression to capture year and gold value preg_match("/^(.*?)-(?:.*),(.*)$/", $line, $matches); if ($matches) { // key: year, value: gold price printf("%st%.3fn", $matches [1], $matches [2]); } }?>

　　我们的reducer也略有修改，因为需要计算项目数量和平均值：

　　#!/usr/bin/php<?php $last_key = NULL; $running_total = 0; $running_average = 0; $number_of_items = 0; // iterate through lines while($line = fgets(STDIN)) { // remove leading and trailing $line = ltrim($line); $line = rtrim($line); // split line into key and count list($key,$count) = explode("t", $line); // if the last key retrieved is the same // as the current key that have been received if ($last_key === $key) { // increase number of items $number_of_items++; // increase running total of the key $running_total += $count; // (re)calculate average for that key $running_average = $running_total / $number_of_items; } else { if ($last_key != NULL) // output previous key and its running average printf("%st%.4fn", $last_key, $running_average); // reset key, running total, running average // and number of items $last_key = $key; $number_of_items = 1; $running_total = $count; $running_average = $count; } } if ($last_key != NULL) // output previous key and its running average printf("%st%.3fn", $last_key, $running_average);?>

　　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：

　　hadoop jar /usr/hadoop/2.5.1/libexec/lib/hadoop-streaming-2.5.1.jar -mapper "./mapper.php" -reducer "./reducer.php" -input "goldprice/data.csv" -output "goldprice/result"

　　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，你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 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：