Hadoop Streaming的使用

    Hadoop MapReduce和HDFS采用Java实现，默认提供Java编程接口，另外提供了C++编程接口和Streaming框架。Streaming框架允许任何程序语言实现的程序在Hadoop MapReduce中使用，方便已有程序向Hadoop平台移植。

    Streaming的原理是用Java实现一个包装用户程序的MapReduce程序，该程序负责调用MapReduce Java接口获取key/value对输入，创建一个新的进程启动包装的用户程序，将数据通过管道传递给包装的用户程序处理，然后调用MapReduce Java接口将用户程序的输出切分成key/value对输出。如下图所示，其中Streaming Java Mapper通过管道将key/value输入传递给用户mapper程序的标准输入，并获取用户mapper程序的标准输出；Streaming Java Reducer调用Java接口通过InputFormat从HDFS获取输入数据，从管道将key/value传递给用户 reducer程序的标准输入，获取用户reducer程序的标准输出并调用Java接口通过OutputFormat输出数据；用户mapper和reducer程序负责处理数据，都从标准输入读取数据，向标准输出写入数据。

    Streaming有如下一些优点： 
    1)开发效率高，很多现有程序（包括脚本）能够方便的移植到hadoop平台上去运行 
    2)某些程序运行效率高，对于某些cpu密集型程序，如果map-reduce程序用C++编写，效率有可能提高 
    Streaming存在如下一些不足： 
    1) Hadoop Streaming默认只能处理文本数据。 
    2) Streaming中的mapper和reducer默认只能向标准输出写数据，不能方便地处理多路输出。 
    3) 用Java编写的MapReduce程序直接处理框架从输入数据中得到的key/value对，在Streaming中Java程序不直接处理key/value对，而是通过管道写到mapper程序的标准输入，mapper程序再从key/tvalue中解析出key/value对，这个过程多了两次数据拷贝和解析（分割），带来一定的开销。对于reducer也是一样的。

streaming命令参数列表：

-input	输入数据路径
-output	输出数据路径
-mapper	mapper可执行程序或Java类
-reducer	reducer可执行程序或Java类
-file  Optional	分发本地文件
-cacheFile  Optional	分发HDFS文件
-cacheArchive  Optional	分发HDFS压缩文件
-numReduceTasks  Optional	reduce任务个数
-jobconf | -D NAME=VALUE Optional	作业配置参数
-combiner  Optional	Combiner Java类
-partitioner  Optional	Partitioner Java类
-inputformat Optional	InputFormat Java类
-outputformat Optional	OutputFormat Java类
-inputreader  Optional	InputReader配置
-cmdenv = Optional	传给mapper和reducer的环境变量
-mapdebug  Optional	mapper失败时运行的debug程序
-reducedebug  Optional	reducer失败时运行的debug程序
-verbose Optional	详细输出模式

 

下面是对各个参数的详细说明：

-input ：指定作业输入，path可以是文件或者目录，可以使用*通配符，-input选项可以使用多次指定多个文件或目录作为输入。 
-output ：指定作业输出目录，path必须不存在，而且执行作业的用户必须有创建该目录的权限，-output只能使用一次。 
-mapper：指定mapper可执行程序或Java类，必须指定且唯一。 
-reducer：指定reducer可执行程序或Java类，必须指定且唯一。 
-file, -cacheFile, -cacheArchive：分别用于向计算节点分发本地文件、HDFS文件和HDFS压缩文件。 
-numReduceTasks：指定reducer的个数，如果设置-numReduceTasks 0或者-reducer NONE则没有reducer程序，mapper的输出直接作为整个作业的输出。 
-combiner：指定combiner Java类，对应的Java类文件打包成jar文件后用-file分发。 
-partitioner：指定partitioner Java类，Streaming提供了一些实用的partitioner实现，参考KeyBasedFiledPartitoner和IntHashPartitioner。 
-inputformat, -outputformat：指定inputformat和outputformat Java类，用于读取输入数据和写入输出数据，分别要实现InputFormat和OutputFormat接口。如果不指定，默认使用TextInputFormat和TextOutputFormat。 
-cmdenv NAME=VALUE：给mapper和reducer程序传递额外的环境变量，NAME是变量名，VALUE是变量值。 
-mapdebug, -reducedebug：分别指定mapper和reducer程序失败时运行的debug程序。 
-verbose：指定输出详细信息，例如分发哪些文件，实际作业配置参数值等，可以用于调试。 
-jobconf | -D NAME=VALUE：指定作业参数，NAME是参数名，VALUE是参数值，可以指定的参数参考hadoop-default.xml。特别建议用-jobconf mapred.job.name='My Job Name'设置作业名，使用-jobconf mapred.job.priority=VERY_HIGH | HIGH | NORMAL | LOW | VERY_LOW设置作业优先级，使用-jobconf mapred.job.map.capacity=M设置同时最多运行M个map任务，使用-jobconf mapred.job.reduce.capacity=N设置同时最多运行N个reduce任务。

常见的作业配置参数如下表所示：

 

mapred.job.name	作业名
mapred.job.priority	作业优先级
mapred.job.map.capacity	最多同时运行map任务数
mapred.job.reduce.capacity	最多同时运行reduce任务数
hadoop.job.ugi	作业执行权限
mapred.map.tasks	map任务个数
mapred.reduce.tasks	reduce任务个数
mapred.job.groups	作业可运行的计算节点分组
mapred.task.timeout	任务没有响应（输入输出）的最大时间
mapred.compress.map.output	map的输出是否压缩
mapred.map.output.compression.codec	map的输出压缩方式
mapred.output.compress	reduce的输出是否压缩
mapred.output.compression.codec	reduce的输出压缩方式
stream.map.output.field.separator	map输出分隔符

python和shell中调用该命令的方式：

shell中：LOCAL_HADOOP_HOME用于指定所使用的hadoop客户端的路径：

python中调用该命令的方式：

python中借助了os.system命令：

注：1、在执行Hadoop Streaming命令之前，一定要删除output对应的路径，在Hadoop Streaming命令执行的过程中，该路径会被动态的创建，被创建的前提条件是，所使用的hadoop客户端所用的集群有在output所在集群的写权限，否则会导致作业执行失败。

2、map的输出直接作为reduce的输入。