文档内容：
1：下载《hadoop权威指南》中的气象数据
2：对下载的气象数据归档整理并读取数据
3：对气象数据进行map reduce进行处理
关键词：《Hadoop权威指南》气象数据 map reduce python matplotlib可视化
一：下载《hadoop权威指南》一书中的气象数据
《hadoop权威指南》一书中的气象数据位于 http://ftp3.ncdc.noaa.gov/pub/data/noaa/，
新建 getdata.py文件， 并加入如下代码：
#http://my.oschina.net/chyileon/blog/134915
import urllib
import urllib2
from bs4 import BeautifulSoup
import re
import os
import shutil def getdata():
year = 1901
endYear = 1921
urlHead = 'http://ftp3.ncdc.noaa.gov/pub/data/noaa/' while year < endYear:
if os.path.isdir(str(year)):
shutil.rmtree(str(year))
os.mkdir(str(year)) page = urllib2.urlopen(urlHead+str(year))
soup = BeautifulSoup(page, from_encoding="gb18030") for link in soup.findAll('a'):
if link.getText().find('.gz') != -1:
filename = link.getText() urllib.urlretrieve(urlHead+str(year)+'/'+filename, str(year)+'/'+filename) year += 1 def main():
getdata() if __name__=="__main__":
main()
运行getdata.py,将在当前目录下生成数据文件
二：对下载的气象数据归档整理并读取数据
说明：上一步骤在当前目录下生成【1901】~【1921】 共20文件，文件里是压缩的气象数据，本步骤知识将数据移动data文件夹下
新建 movedata.py文件， 并加入如下代码：
import os
import shutil def movedata(): curpath = os.getcwd()
list = os.listdir(curpath)
datapath = os.path.join(curpath, "data")
print(datapath)
for line in list:
filepath = os.path.join(curpath, line)
if os.path.isdir(filepath):
shutil.move(filepath,datapath) def main():
movedata() if __name__=="__main__":
main()
三：对气象数据进行map reduce进行处理
说明：这里要读取文件中的数据内容，并通过将数据map reduce 化获取每年的最高、低温度
1： 将文件中的数据内容逐行读出
新建reader.py文件，并加入如下代码：
import os
import gzip def reader(): curpath = os.getcwd()
datapath = os.path.join(curpath, r"data") for yearlist in os.listdir(datapath):
oneyearpath = os.path.join(datapath, yearlist)
datalist = os.listdir(oneyearpath)
for line in datalist:
onedatapath = os.path.join(oneyearpath, line)
with gzip.open(onedatapath, 'rb') as pf:
print (pf.read()) def main():
reader() if __name__=="__main__":
main()
测试上面代码：在命令行运行 reader.py，查看输出
2:通过mapper方法把数据处理成 "year \n temperature"的输出形式，如 "1901 242",其中 242 表示温度为24.2度
新建mapper.py文件，并加入如下代码：
import sys def mapper(inlist):
for line in inlist:
if len(line) > 92:
year = (line[15:19])
if line[87] == '+':
temperataure = line[88:92]
else:
temperataure = line[87:92]
print year, temperataure def main(inlist):
mapper(inlist) if __name__=="__main__":
inlist = []
for line in sys.stdin:
inlist.append(line)
main(inlist)
测试上面代码：在命令行运行 reader.py | mapper.py ，查看输出。（注：这是是利用管道，把reader.py的输出作为mapper.py的输入）
3:通过reducer方法将mapper的输出数据整理并计算每年的最高、低温度，并输出
新建reducer.py文件，并加入如下代码：
import sys def reducer(inlist):
cur_year = None
maxtemp = None
mintemp = None
for line in inlist:
year, temp = line.split()
try:
temp = int(temp)
except ValueError:
continue
if cur_year == year:
if temp > maxtemp:
maxtemp = temp
if temp < mintemp:
mintemp = temp
else:
if cur_year != None:
print cur_year, maxtemp, mintemp
cur_year = year
maxtemp = temp
mintemp = temp
print cur_year, maxtemp, mintemp def main(inlist):
reducer(inlist) if __name__=="__main__":
inlist = []
for line in sys.stdin:
inlist.append(line)
main(inlist)
测试上面代码：在命令行运行 reader.py | mapper.py | reducer.py，查看输出。
4：使用matplotlib对每年的最高、低数据进行可视化
新建drawer.py文件，并加入如下代码：
import sys
import matplotlib.pyplot as plt def drawer(inlist):
yearlist = []
maxtemplist = []
mintemplist = []
for line in inlist:
year, maxtemp, mintemp = line.split()
try:
year = int(year)
maxtemp = int(maxtemp) / 10.
if(maxtemp) > 50:
maxtemp = 50
mintemp = int(mintemp) / 10.
except ValueError:
continue
yearlist.append(year)
maxtemplist.append(maxtemp)
mintemplist.append(mintemp)
plt.plot(yearlist, maxtemplist, 'bd--')
plt.plot(yearlist, mintemplist, 'rp:')
plt.xlim(1901, 1920)
plt.ylim(-60, 80)
plt.title('min-max temperature for 1901-1920')
plt.xlabel('year')
plt.ylabel('temperature')
plt.legend(('max temp','min temp'), loc='upper right')
plt.show()
print(yearlist, maxtemplist, mintemplist) def main(inlist):
drawer(inlist) if __name__=="__main__":
inlist = []
for line in sys.stdin:
inlist.append(line)
main(inlist)
测试上面代码：在命令行运行 reader.py | mapper.py | reducer.py | drawer.py，查看输出。
显示效果如下图：（注：在前面处理的数据中， 可能由于采样的错误，会有出现999.9度的最高温度， 显然不符常理。在本例中，没有对此种错误进行深究，一致将超度50度的温度处理成50度）
四 说明
1. 本例中，其实第二步 对下载的气象数据归档整理并读取数据 是多余的， 可以直接在第一步中修改文件存储目录跳过第二步。但为了熟悉python对文件的操作，还是将第二步的代码保留了下来。
2. 本例中，代码能运行得到实验目标，但并为对代码进行优化。请读者根据需要自行更改。
3. python代码的一大特点就是看起来像伪代码，又本例python代码比较简单，故没有给出注释。