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：
1 #
2 import urllib
3 import urllib2
4 from bs4 import BeautifulSoup
5 import re
6 import os
7 import shutil
8
9 def getdata():
10 year = 1901
11 endYear = 1921
12 urlHead = 'http://ftp3.ncdc.noaa.gov/pub/data/noaa/'
13
14 while year < endYear:
15 if os.path.isdir(str(year)):
16 shutil.rmtree(str(year))
17 os.mkdir(str(year))
18
19 page = urllib2.urlopen(urlHead+str(year))
20 soup = BeautifulSoup(page, from_encoding="gb18030")
21
22 for link in soup.findAll('a'):
23 if link.getText().find('.gz') != -1:
24 filename = link.getText()
25
26 urllib.urlretrieve(urlHead+str(year)+'/'+filename, str(year)+'/'+filename)
27
28 year += 1
29
30 def main():
31 getdata()
32
33 if __name__=="__main__":
34 main()
View Code
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：
1 import os
2 import shutil
3
4 def movedata():
5
6 curpath = os.getcwd()
7 list = os.listdir(curpath)
8 datapath = os.path.join(curpath, "data")
9 print(datapath)
10 for line in list:
11 filepath = os.path.join(curpath, line)
12 if os.path.isdir(filepath):
13 shutil.move(filepath,datapath)
14
15 def main():
16 movedata()
17
18 if __name__=="__main__":
19 main()
View Code
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：
1 import os
2 import gzip
3
4 def reader():
5
6 curpath = os.getcwd()
7 datapath = os.path.join(curpath, r"data")
8
9 for yearlist in os.listdir(datapath):
10 oneyearpath = os.path.join(datapath, yearlist)
11 datalist = os.listdir(oneyearpath)
12 for line in datalist:
13 onedatapath = os.path.join(oneyearpath, line)
14 with gzip.open(onedatapath, 'rb') as pf:
15 print (pf.read())
16
17 def main():
18 reader()
19
20 if __name__=="__main__":
21 main()
View Code
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：
1 import sys
2
3 def mapper(inlist):
4 for line in inlist:
5 if len(line) > 92:
6 year = (line[15:19])
7 if line[87] == '+':
8 temperataure = line[88:92]
9 else:
10 temperataure = line[87:92]
11 print year, temperataure
12
13 def main(inlist):
14 mapper(inlist)
15
16 if __name__=="__main__":
17 inlist = []
18 for line in sys.stdin:
19 inlist.append(line)
20 main(inlist)
View Code
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：
1 import sys
2
3 def reducer(inlist):
4 cur_year = None
5 maxtemp = None
6 mintemp = None
7 for line in inlist:
8 year, temp = line.split()
9 try:
10 temp = int(temp)
11 except ValueError:
12 continue
13 if cur_year == year:
14 if temp > maxtemp:
15 maxtemp = temp
16 if temp < mintemp:
17 mintemp = temp
18 else:
19 if cur_year != None:
20 print cur_year, maxtemp, mintemp
21 cur_year = year
22 maxtemp = temp
23 mintemp = temp
24 print cur_year, maxtemp, mintemp
25
26 def main(inlist):
27 reducer(inlist)
28
29 if __name__=="__main__":
30 inlist = []
31 for line in sys.stdin:
32 inlist.append(line)
33 main(inlist)
View Code
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：
1 import sys
2 import matplotlib.pyplot as plt
3
4 def drawer(inlist):
5 yearlist = []
6 maxtemplist = []
7 mintemplist = []
8 for line in inlist:
9 year, maxtemp, mintemp = line.split()
10 try:
11 year = int(year)
12 maxtemp = int(maxtemp) / 10.
13 if(maxtemp) > 50:
14 maxtemp = 50
15 mintemp = int(mintemp) / 10.
16 except ValueError:
17 continue
18 yearlist.append(year)
19 maxtemplist.append(maxtemp)
20 mintemplist.append(mintemp)
21 plt.plot(yearlist, maxtemplist, 'bd--')
22 plt.plot(yearlist, mintemplist, 'rp:')
23 plt.xlim(1901, 1920)
24 plt.ylim(-60, 80)
25 plt.title('min-max temperature for 1901-1920')
26 plt.xlabel('year')
27 plt.ylabel('temperature')
28 plt.legend(('max temp','min temp'), loc='upper right')
29 plt.show()
30 print(yearlist, maxtemplist, mintemplist)
31
32 def main(inlist):
33 drawer(inlist)
34
35 if __name__=="__main__":
36 inlist = []
37 for line in sys.stdin:
38 inlist.append(line)
39 main(inlist)
View Code
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。
