尝试着用3台虚拟机搭建了伪分布式系统，完整的搭建步骤等熟悉了整个分布式框架之后再写，今天写一下用python写wordcount程序（MapReduce任务）的具体步骤。
MapReduce任务以来HDFS存储和Yarn资源调度，所以执行MapReduce之前要先启动HDFS和Yarn。我们都知道MapReduce分Map阶段和Reduce阶段，这就需要我们 自己写Map阶段的处理方法和Reduce阶段的处理方法。
MapReduce也支持除Java之外的其他语言，但要依赖流处理包（hadoop-streaming-2.7.4.jar），处理包不需要自己下载，hadoop本身带的就有，hadoop2.7的在hadoop-2.7.4/share/hadoop/tools/lib目录下，知道它所在的目录是因为只执行MapReduce命令的时候要指定hadoop-streaming-2.7.4.jar的位置。
接下来就是用python写Map的处理逻辑和Reduce的处理逻辑。wordcount是词频统计，要处理的原文本文件要上传到HDFS上，流程是原文本以流式方式传到Map函数，Map函数处理之后把结果传到Reduce函数，整个处理完后结果会保存在HDFS上，流式处理可以理解成文本一行一行的在原文件、Map函数、Reduce函数、结果文件之间流动处理。
原文本：
hello world hello hadoop hadoop nihao world hello mapreduce
Map方法代码：
#!/usr/bin/python
import sys
for line in sys.stdin:
line = line.strip()
words = line.split(' ')
for word in words:
print('%s\t%s'%(word,1))
Reduce方法代码：
#!/usr/bin/python
import sys
current_count = 0
current_word = None
for line in sys.stdin:
line = line.strip()
word, count = line.split('\t', 1)
count = int(count)
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
代码的逻辑都很简单，从标准输入按行读取处理数据，每行处理完print打印。
先在shell上测试一下：
#cat word.txt | ./mapper.py | sort
hadoop 1 hadoop 1 hello 1 hello 1 hello 1 mapreduce 1 nihao 1 world 1 world 1
sort是行之间按单词首字母排序，在MapReduce上sort过程hadoop会处理。
如果没有sort，结果是这样的：
#cat word.txt | ./mapper.py
hello 1 world 1 hello 1 hadoop 1 hadoop 1 nihao 1 world 1 hello 1 mapreduce 1
#cat word.txt | ./mapper.py | sort |./reducer.py
hadoop 2 hello 3 mapreduce 1 nihao 1
测试完没问题后就可以用MapReduce来执行了。
输入命令：
hadoop jar hadoop-streaming-2.7.4.jar \
-input /wordcount/word.txt \
-output /wordcount/out \
-mapper /home/hadoop/apps/hadoop-2.7.4/file/wordcount_python/mapper.py \
-reducer /home/hadoop/apps/hadoop-2.7.4/file/wordcount_python/reducer.py
命令解释：
第一行是指明用到的streaming包的位置，第二行指明原文件在HDFS上的路径，第三行是输出结果在HDFS上的路径，输出路径原来不能存在，已存在的话会报错，第四行和第五行指明Map方法和Reduce方法程序路径。
mapper.py和reduce.py需要加上执行权限，chmod +x mapper.py，它们两个py文件不用放在HDFS上，放在本地即可。
执行后就会开启MapReduce任务，配置没问题的话就不会报错，执行完成后会在MapReduce上生成/wordcount/out目录里面有两个文件:
第二个是结果文件，第一个文件可以看到所占空间为0，cat一下什么也没有，只是一个处理成功的标识。
以上就是python写wordcount的具体步骤，如有错误 欢迎指正！
来源：https://www.cnblogs.com/panda-blog/p/9441330.html