Hadoop pipes编程
Hadoop pipes允许C++程序员编写mapreduce程序，它允许用户混用C++和Java的RecordReader， Mapper， Partitioner，Rducer和RecordWriter等五个组件。关于Hadoop pipes的设计思想，可参见我这篇文章：Hadoop Pipes设计原理。
本文介绍了Hadoop pipes编程的基本方法，并给出了若干编程示例，最后介绍了Hadoop pipes高级编程方法，包括怎样在MapReduce中加载词典，怎么传递参数，怎样提高效率等。
2. Hadoop pipes编程初体验
Hadoop-0.20.2源代码中自带了三个pipes编程示例，它们位于目录src/examples/pipes/impl中，分别为wordcount-simple.cc，wordcount-part.cc和wordcount-nopipe.cc。下面简要介绍一下这三个程序。
（1） wordcount-simple.cc：Mapper和Reducer组件采用C++语言编写，RecordReader, Partitioner和RecordWriter采用Java语言编写，其中，RecordReader 为LineRecordReader（位于InputTextInputFormat中，按行读取数据，行所在的偏移量为key，行中的字符串为value），Partitioner为PipesPartitioner，RecordWriter为LineRecordWriter（位于InputTextOutputFormat中，输出格式为”key\tvalue\n”）
（2） wordcount-part.cc：Mapper，Partitioner和Reducer组件采用C++语言编写，其他采用Java编写
（3）wordcount-nopipe.cc：RecordReader，Mapper，Rducer和RecordWriter采用C++编写
接下来简单介绍一下wordcount-simple.cc的编译和运行方法。
在Hadoop的安装目录下，执行下面命令：
|
1
|
ant -Dcompile.c++=yes examples
|
则wordcount-simple.cc生成的可执行文件wordcount-simple被保存到了目录build/c++-examples/Linux-amd64-64/bin/中，然后将该可执行文件上传到HDFS的某一个目录下，如/user/XXX/ bin下：
|
1
|
bin/hadoop -put build/c++-examples/Linux-amd64-64/bin/wordcount-simple /user/XXX/ bin/
|
上传一份数据到HDFS的/user/XXX /pipes_test_data目录下：
|
1
|
bin/hadoop -put data.txt /user/XXX /pipes_test_data
|
直接使用下面命令提交作业：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
bin/hadoop pipes \
-D hadoop.pipes.java.recordreader=
true
\
-D hadoop.pipes.java.recordwriter=
true
\
-D mapred.job.name= wordcount \
-input /user/XXX /pipes_test_data \
-output /user/XXX /pipes_test_output \
-program /user/XXX/ bin/wordcount-simple
|
3. Hadoop pipes编程方法
先从最基础的两个组件Mapper和Reducer说起。
（1） Mapper编写方法
用户若要实现Mapper组件，需继承HadoopPipes::Mapper虚基类，它的定义如下：
|
1
2
3
4
5
6
7
|
class
Mapper:
public
Closable {
public
:
virtual
void
map(MapContext& context) = 0;
};
|
用户必须实现map函数，它的参数是MapContext，该类的声明如下：
|
1
2
3
4
5
6
7
8
9
10
11
|
class
MapContext:
public
TaskContext {
public
:
virtual
const
std::string& getInputSplit() = 0;
virtual
const
std::string& getInputKeyClass() = 0;
virtual
const
std::string& getInputValueClass() = 0;
};
|
而TaskContext类地声明如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
|
class
TaskContext {
public
:
class
Counter {
……
public
:
Counter(
int
counterId) : id(counterId) {}
Counter(
const
Counter& counter) : id(counter.id) {}
……
};
virtual
const
JobConf* getJobConf() = 0;
virtual
const
std::string& getInputKey() = 0;
virtual
const
std::string& getInputValue() = 0;
virtual
void
emit(
const
std::string& key,
const
std::string& value) = 0;
virtual
void
progress() = 0;
…….
};
|
用户可以从context参数中获取当前的key，value，progress和inputsplit等数据信息，此外，还可以调用emit将结果回传给Java代码。
Mapper的构造函数带有一个HadoopPipes::TaskContext参数，用户可以通过它注册一些全局counter，对于程序调试和跟踪作业进度非常有用：
如果你想注册全局counter，在构造函数添加一些类似的代码：
|
1
2
3
4
5
6
7
|
WordCountMap(HadoopPipes::TaskContext& context) {
inputWords1 = context.getCounter(“group”, ”counter1”);
inputWords2 = context.getCounter(“group”, ”counter2”);
}
|
当需要增加counter值时，可以这样：
|
1
2
3
|
context.incrementCounter(inputWords1, 1);
context.incrementCounter(inputWords2, 1);
|
其中getCounter的两个参数分别为组名和组内计数器名，一个组中可以存在多个counter。
用户自定义的counter会在程序结束时，输出到屏幕上，当然，用户可以用通过web界面看到。
（2） Reducer编写方法
Reducer组件的编写方法跟Mapper组件类似，它需要继承虚基类public HadoopPipes::Reducer。
与Mapper组件唯一不同的地方时，map函数的参数类型为HadoopPipes::ReduceContext，它包含一个nextValue()方法，这允许用于遍历当前key对应的value列表，依次进行处理。
接下来介绍RecordReader， Partitioner和RecordWriter的编写方法：
（3） RecordReader编写方法
用户自定义的RecordReader类需要继承虚基类HadoopPipes::RecordReader，它的声明如下：
|
1
2
3
4
5
6
7
8
9
|
class
RecordReader:
public
Closable {
public
:
virtual
bool
next(std::string& key, std::string& value) = 0;
virtual
float
getProgress() = 0;
};
|
用户需要实现next和 getProgress两个方法。
用户自定义的RecordReader的构造函数可携带类型为HadoopPipes::MapContext的参数，通过该参数的getInputSplit()的方法，用户可以获取经过序列化的InpuSplit对象，Java端采用不同的InputFormat可导致InputSplit对象格式不同，但对于大多数InpuSplit对象，它们可以提供至少三个信息：当前要处理的InputSplit所在的文件名，所在文件中的偏移量，它的长度。用户获取这三个信息后，可使用libhdfs库读取文件，以实现next方法。
下面介绍一下反序列化InputSplit对象的方法：
【1】 如果Java端采用的InputFormat为WordCountInpuFormat，可以这样：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
class
XXXReader:
public
HadoopPipes::RecordReader {
public
:
XXXReader (HadoopPipes::MapContext& context) {
std::string filename;
HadoopUtils::StringInStream stream(context.getInputSplit());
HadoopUtils::deserializeString(filename, stream);
……
};
|
【2】 如果Java端采用的InputFormat为TextInpuFormat，可以这样：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
|
class
XXXReader:
public
HadoopPipes::RecordReader {
public
:
XXXReader (HadoopPipes::MapContext& context) {
std::string filename;
HadoopUtils::StringInStream stream(context.getInputSplit());
readString(filename, stream);
int
start = (
int
)readLong(stream);
int
len = (
int
)readLong(stream);
……
private
:
void
readString(std::string& t, HadoopUtils::StringInStream& stream)
{
int
len = readShort(stream);
if
(len > 0) {
// resize the string to the right length
t.resize(len);
// read into the string in 64k chunks
const
int
bufSize = 65536;
int
offset = 0;
char
buf[bufSize];
while
(len > 0) {
int
chunkLength = len > bufSize ? bufSize : len;
stream.read(buf, chunkLength);
t.replace(offset, chunkLength, buf, chunkLength);
offset += chunkLength;
len -= chunkLength;
}
}
else
{
t.clear();
}
}
long
readLong(HadoopUtils::StringInStream& stream) {
long
n;
char
b;
stream.read(&b, 1);
n = (
long
)(b & 0xff) << 56 ;
stream.read(&b, 1);
n |= (
long
)(b & 0xff) << 48 ;
stream.read(&b, 1);
n |= (
long
)(b & 0xff) << 40 ;
stream.read(&b, 1);
n |= (
long
)(b & 0xff) << 32 ;
stream.read(&b, 1);
n |= (
long
)(b & 0xff) << 24 ;
stream.read(&b, 1);
n |= (
long
)(b & 0xff) << 16 ;
stream.read(&b, 1);
n |= (
long
)(b & 0xff) << 8 ;
stream.read(&b, 1);
n |= (
long
)(b & 0xff) ;
return
n;
}
};
|
（4） Partitioner编写方法
用户自定义的Partitioner类需要继承虚基类HadoopPipes:: Partitioner，它的声明如下：
|
1
2
3
4
5
6
7
8
9
|
class
Partitioner {
public
:
virtual
int
partition(
const
std::string& key,
int
numOfReduces) = 0;
virtual
~Partitioner() {}
};
|
用户需要实现partition方法和 析构函数。
对于partition方法，框架会自动为它传入两个参数，分别为key值和reduce task的个数numOfReduces，用户只需返回一个0~ numOfReduces-1的值即可。
（5） RecordWriter编写方法
用户自定义的RecordWriter类需要继承虚基类HadoopPipes:: RecordWriter，它的声明如下：
|
1
2
3
4
5
6
7
8
9
|
class
RecordWriter:
public
Closable {
public
:
virtual
void
emit(
const
std::string& key,
const
std::string& value) = 0;
};
|
用户自定的RecordWriter的构造函数可携带类型为HadoopPipes::MapContext的参数，通过该参数的getJobConf()可获取一个HadoopPipes::JobConf的对象，用户可从该对象中获取该reduce task的各种参数，如：该reduce task的编号（这对于确定输出文件名有用），reduce task的输出目录等。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
class
MyWriter:
public
HadoopPipes::RecordWriter {
public
:
MyWriter(HadoopPipes::ReduceContext& context) {
const
HadoopPipes::JobConf* job = context.getJobConf();
int
part = job->getInt(
"mapred.task.partition"
);
std::string outDir = job->get(
"mapred.work.output.dir"
);
……
}
}
|
用户需实现emit方法，将数据写入某个文件。
4. Hadoop pipes编程示例
网上有很多人怀疑Hadoop pipes自带的程序wordcount-nopipe.cc不能运行，各个论坛都有讨论，在此介绍该程序的设计原理和运行方法。
该运行需要具备以下前提：
（1） 采用的InputFormat为WordCountInputFormat，它位于src/test/下的org.apache.hadoop.mapred.pipes中
（2） 输入目录和输出目录需位于各个datanode的本地磁盘上，格式为：file:///home/xxx/pipes_test (注意，hdfs中的各种接口同时支持本地路径和HDFS路径，如果是HDFS上的路径，需要使用hdfs://host:9000/user/xxx，表示/user/xxx为namenode 为host的hdfs上的路径，而本地路径，需使用file:///home/xxx/pipes_test，表示/home/xxx/pipes_test为本地路径。例如，bin/hadoop fs –ls file:///home/xxx/pipes_test表示列出本地磁盘上/home/xxx/pipes_tes下的文件)
待确定好各个datanode的本地磁盘上有输入数据/home/xxx/pipes_test/data.txt后，用户首先上传可执行文件到HDFS中：
|
1
|
bin/hadoop -put build/c++-examples/Linux-amd64-64/bin/wordcount-nopipe /user/XXX/bin/
|
然后使用下面命令提交该作业：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
bin/hadoop pipes \
-D hadoop.pipes.java.recordreader=
false
\
-D hadoop.pipes.java.recordwriter=
false
\
-D mapred.job.name=wordcount \
-D mapred.input.format.
class
=org.apache.hadoop.mapred.pipes.WordCountInputFormat \
-libjars hadoop-0.20.2-test.jar \
-input file:
///home/xxx/pipes_test/data.txt \
-output file:
///home/xxx/pipes_output \
-program /user/XXX/bin/wordcount-nopipe
|
5. Hadoop pipes高级编程
如果用户需要在mapreduce作业中加载词典或者传递参数，可这样做：
（1） 提交作业时，用-files选项，将词典（需要传递参数可以放到一个配置文件中）上传给各个datanode，如:
|
1
2
3
4
5
6
7
8
9
10
11
|
bin/hadoop pipes \
-D hadoop.pipes.java.recordreader=
false
\
-D hadoop.pipes.java.recordwriter=
false
\
-D mapred.job.name=wordcount \
-files dic.txt \
….
|
（2） 在Mapper或者Reducer的构造函数中，将字典文件以本地文件的形式打开，并把内容保存到一个map或者set中，然后再map()或者reduce()函数中使用即可，如:
|
1
2
3
4
5
6
7
|
WordCountMap(HadoopPipes::TaskContext& context) {
file =
fopen
(“dic.txt”,
"r"
);
//C库函数
…….
}
|
为了提高系能，RecordReader和RecordWriter最好采用Java代码实现（或者重用Hadoop中自带的），这是因为Hadoop自带的C++库libhdfs采用JNI实现，底层还是要调用Java相关接口，效率很低，此外，如果要处理的文件为二进制文件或者其他非文本文件，libhdfs可能不好处理。
6. 总结
Hadoop pipes使C++程序员编写MapReduce作业变得可能，它简单好用，提供了用户所需的大部分功能。
1.Hadoop pipes编程介绍
Hadoop pipes允许C++程序员编写mapreduce程序，它允许用户混用C++和Java的RecordReader，Mapper，Partitioner，Rducer和RecordWriter等五个组件。关于Hadoop pipes的设计思想，可参见我这篇文章：
本文介绍了Hadoop pipes编程的基本方法，并给出了若干编程示例，最后介绍了Hadoop pipes高级编程方法，包括怎样在MapReduce中加载词典，怎么传递参数，怎样提高效率等。
2.Hadoop pipes编程初体验
Hadoop-0.20.2源代码中自带了三个pipes编程示例，它们位于目录src/examples/pipes/impl中，分别为wordcount-simple.cc，wordcount-part.cc和wordcount-nopipe.cc。下面简要介绍一下这三个程序。
（1）wordcount-simple.cc：Mapper和Reducer组件采用C++语言编写，RecordReader, Partitioner和RecordWriter采用Java语言编写，其中，RecordReader为LineRecordReader（位于InputTextInputFormat中，按行读取数据，行所在的偏移量为key，行中的字符串为value），Partitioner为PipesPartitioner，RecordWriter为LineRecordWriter（位于InputTextOutputFormat中，输出格式为”key\tvalue\n”）
（2）wordcount-part.cc：Mapper，Partitioner和Reducer组件采用C++语言编写，其他采用Java编写
（3）wordcount-nopipe.cc：RecordReader，Mapper，Rducer和RecordWriter采用C++编写
接下来简单介绍一下wordcount-simple.cc的编译和运行方法。
在Hadoop的安装目录下，执行下面命令：
ant -Dcompile.c++=yes examples
则wordcount-simple.cc生成的可执行文件wordcount-simple被保存到了目录build/c++-examples/Linux-amd64-64/bin/中，然后将该可执行文件上传到HDFS的某一个目录下，如/user/XXX/ bin下：
bin/hadoop-putbuild/c++-examples/Linux-amd64-64/bin/wordcount-simple/user/XXX/ bin/
上传一份数据到HDFS的/user/XXX /pipes_test_data目录下：
bin/hadoop-putdata.txt/user/XXX /pipes_test_data
直接使用下面命令提交作业：
bin/hadoop pipes \
-D hadoop.pipes.java.recordreader=true \
-D hadoop.pipes.java.recordwriter=true \
-D mapred.job.name= wordcount \
-input /user/XXX /pipes_test_data \
-output /user/XXX /pipes_test_output \
-program /user/XXX/ bin/wordcount-simple
3.Hadoop pipes编程方法
先从最基础的两个组件Mapper和Reducer说起。
（1）Mapper编写方法
用户若要实现Mapper组件，需继承HadoopPipes::Mapper虚基类，它的定义如下：
class Mapper: public Closable {
public:
virtual void map(MapContext& context) = 0;
};
用户必须实现map函数，它的参数是MapContext，该类的声明如下：
class MapContext: public TaskContext {
public:
virtual const std::string& getInputSplit() = 0;
virtual const std::string& getInputKeyClass() = 0;
virtual const std::string& getInputValueClass() = 0;
};
而TaskContext类地声明如下：
class TaskContext {
public:
class Counter {
……
public:
Counter(int counterId) : id(counterId) {}
Counter(const Counter& counter) : id(counter.id) {}
……
};
virtual const JobConf* getJobConf() = 0;
virtual const std::string& getInputKey() = 0;
virtual const std::string& getInputValue() = 0;
virtual void emit(const std::string& key, const std::string& value) = 0;
virtual void progress() = 0;
…….
};
用户可以从context参数中获取当前的key，value，progress和inputsplit等数据信息，此外，还可以调用emit将结果回传给Java代码。
Mapper的构造函数带有一个HadoopPipes::TaskContext参数，用户可以通过它注册一些全局counter，对于程序调试和跟踪作业进度非常有用：
如果你想注册全局counter，在构造函数添加一些类似的代码：
WordCountMap(HadoopPipes::TaskContext& context) {
inputWords1 = context.getCounter(“group”, ”counter1”);
inputWords2 = context.getCounter(“group”, ”counter2”);
}
当需要增加counter值时，可以这样：
context.incrementCounter(inputWords1, 1);
context.incrementCounter(inputWords2, 1);
其中getCounter的两个参数分别为组名和组内计数器名，一个组中可以存在多个counter。
用户自定义的counter会在程序结束时，输出到屏幕上，当然，用户可以用通过web界面看到。
（2）Reducer编写方法
Reducer组件的编写方法跟Mapper组件类似，它需要继承虚基类public HadoopPipes::Reducer。
与Mapper组件唯一不同的地方时，map函数的参数类型为HadoopPipes::ReduceContext，它包含一个nextValue()方法，这允许用于遍历当前key对应的value列表，依次进行处理。
接下来介绍RecordReader，Partitioner和RecordWriter的编写方法：
（3）RecordReader编写方法
用户自定义的RecordReader类需要继承虚基类HadoopPipes::RecordReader，它的声明如下：
class RecordReader: public Closable {
public:
virtual bool next(std::string& key, std::string& value) = 0;
virtual float getProgress() = 0;
};
用户需要实现next和getProgress两个方法。
用户自定义的RecordReader的构造函数可携带类型为HadoopPipes::MapContext的参数，通过该参数的getInputSplit()的方法，用户可以获取经过序列化的InpuSplit对象，Java端采用不同的InputFormat可导致InputSplit对象格式不同，但对于大多数InpuSplit对象，它们可以提供至少三个信息：当前要处理的InputSplit所在的文件名，所在文件中的偏移量，它的长度。用户获取这三个信息后，可使用libhdfs库读取文件，以实现next方法。
（4）Partitioner编写方法
用户自定义的Partitioner类需要继承虚基类HadoopPipes:: Partitioner，它的声明如下：
class Partitioner {
public:
virtual int partition(const std::string& key, int numOfReduces) = 0;
virtual ~Partitioner() {}
};
用户需要实现partition方法和析构函数。
对于partition方法，框架会自动为它传入两个参数，分别为key值和reduce task的个数numOfReduces，用户只需返回一个0~ numOfReduces-1的值即可。
（5）RecordWriter编写方法
用户自定义的RecordWriter类需要继承虚基类HadoopPipes:: RecordWriter，它的声明如下：
class RecordWriter: public Closable {
public:
virtual void emit(const std::string& key,
const std::string& value) = 0;
};
用户自定的RecordWriter的构造函数可携带类型为HadoopPipes::MapContext的参数，通过该参数的getJobConf()可获取一个HadoopPipes::JobConf的对象，用户可从该对象中获取该reduce task的各种参数，如：该reduce task的编号（这对于确定输出文件名有用），reduce task的输出目录等。
class WordCountWriter: public HadoopPipes::RecordWriter {
public:
MyWriter(HadoopPipes::ReduceContext& context) {
const HadoopPipes::JobConf* job = context.getJobConf();
int part = job->getInt(“mapred.task.partition”);
std::string outDir = job->get(“mapred.work.output.dir”);
……
}
}
用户需实现emit方法，将数据写入某个文件。
4.Hadoop pipes编程示例
网上有很多人怀疑Hadoop pipes自带的程序wordcount-nopipe.cc不能运行，各个论坛都有讨论，在此介绍该程序的设计原理和运行方法。
该运行需要具备以下前提：
（1） 采用的InputFormat为WordCountInputFormat，它位于src/test/下的org.apache.hadoop.mapred.pipes中
（2） 输入目录和输出目录需位于各个datanode的本地磁盘上，格式为：file:///home/xxx/pipes_test(注意，hdfs中的各种接口同时支持本地路径和HDFS路径，如果是HDFS上的路径，需要使用hdfs://host:9000/user/xxx，表示/user/xxx为namenode为host的hdfs上的路径，而本地路径，需使用file:///home/xxx/pipes_test，表示/home/xxx/pipes_test为本地路径)
待确定好各个datanode的本地磁盘上有输入数据/home/xxx/pipes_test/data.txt后，用户首先上传可执行文件到HDFS中：
bin/hadoop-putbuild/c++-examples/Linux-amd64-64/bin/wordcount-simple/user/XXX/ bin/
然后使用下面命令运行该程序：
bin/hadoop pipes \
-D hadoop.pipes.java.recordreader=false \
-D hadoop.pipes.java.recordwriter=false \
-D mapred.job.name=wordcount \
-D mapred.input.format.class=org.apache.hadoop.mapred.pipes.WordCountInputFormat \
-libjars hadoop-0.20.2-test.jar \
-input file:/home/xxx/pipes_test/data.txt \
-output file:/home/xxx/pipes_output \
-program /user/XXX/ bin/wordcount-nopipe
5.Hadoop pipes高级编程
如果用户需要在mapreduce作业中加载词典或者传递参数，可这样做：
（1） 提交作业时，用-files选项，将词典（需要传递参数可以放到一个配置文件中）上传给各个datanode，如
bin/hadoop pipes \
-D hadoop.pipes.java.recordreader=false \
-D hadoop.pipes.java.recordwriter=false \
-D mapred.job.name=wordcount \
-files dic.txt \
….
（2）在Mapper或者Reducer的构造函数中，将字典文件以本地文件的形式打开，并把内容保存到一个map或者set中，然后再map()或者reduce()函数中使用即可，如
WordCountMap(HadoopPipes::TaskContext& context) {
file = fopen(“dic.txt”, “r”); //C库函数
…….
}
为了提高系能，RecordReader和RecordWriter最好采用Java代码实现（或者重用Hadoop中自带的），这是因为Hadoop自带的C++库libhdfs采用JNI实现，底层还是要调用Java相关接口，效率很低，此外，如果要处理的文件为二进制文件或者其他非文本文件，libhdfs可能不好处理。
6.总结
1. Hadoop pipes编程介绍
Hadoop pipes允许C++程序员编写mapreduce程序，它允许用户混用C++和Java的RecordReader，Mapper，Partitioner，Rducer和RecordWriter等五个组件。关于Hadoop pipes的设计思想，可参见我这篇文章：
本文介绍了Hadoop pipes编程的基本方法，并给出了若干编程示例，最后介绍了Hadoop pipes高级编程方法，包括怎样在MapReduce中加载词典，怎么传递参数，怎样提高效率等。
2. Hadoop pipes编程初体验
Hadoop-0.20.2源代码中自带了三个pipes编程示例，它们位于目录src/examples/pipes/impl中，分别为wordcount-simple.cc，wordcount-part.cc和wordcount-nopipe.cc。下面简要介绍一下这三个程序。
（1） wordcount-simple.cc：Mapper和Reducer组件采用C++语言编写，RecordReader, Partitioner和RecordWriter采用Java语言编写，其中，RecordReader 为LineRecordReader（位于InputTextInputFormat中，按行读取数据，行所在的偏移量为key，行中的字符串为value），Partitioner为PipesPartitioner，RecordWriter为LineRecordWriter（位于InputTextOutputFormat中，输出格式为”key\tvalue\n”）
（2） wordcount-part.cc：Mapper，Partitioner和Reducer组件采用C++语言编写，其他采用Java编写
（3）wordcount-nopipe.cc：RecordReader，Mapper，Rducer和RecordWriter采用C++编写
接下来简单介绍一下wordcount-simple.cc的编译和运行方法。
在Hadoop的安装目录下，执行下面命令：
ant -Dcompile.c++=yes examples
则wordcount-simple.cc生成的可执行文件wordcount-simple被保存到了目录build/c++-examples/Linux-amd64-64/bin/中，然后将该可执行文件上传到HDFS的某一个目录下，如/user/XXX/ bin下：
bin/hadoop -put build/c++-examples/Linux-amd64-64/bin/wordcount-simple /user/XXX/ bin/
上传一份数据到HDFS的/user/XXX /pipes_test_data目录下：
bin/hadoop -put data.txt /user/XXX /pipes_test_data
直接使用下面命令提交作业：
bin/hadoop pipes \
-D hadoop.pipes.java.recordreader=true \
-D hadoop.pipes.java.recordwriter=true \
-D mapred.job.name= wordcount \
-input /user/XXX /pipes_test_data \
-output /user/XXX /pipes_test_output \
-program /user/XXX/ bin/wordcount-simple
3. Hadoop pipes编程方法
先从最基础的两个组件Mapper和Reducer说起。
（1） Mapper编写方法
用户若要实现Mapper组件，需继承HadoopPipes::Mapper虚基类，它的定义如下：
class Mapper: public Closable {
public:
virtual void map(MapContext& context) = 0;
};
用户必须实现map函数，它的参数是MapContext，该类的声明如下：
class MapContext: public TaskContext {
public:
virtual const std::string& getInputSplit() = 0;
virtual const std::string& getInputKeyClass() = 0;
virtual const std::string& getInputValueClass() = 0;
};
而TaskContext类地声明如下：
class TaskContext {
public:
class Counter {
……
public:
Counter(int counterId) : id(counterId) {}
Counter(const Counter& counter) : id(counter.id) {}
……
};
virtual const JobConf* getJobConf() = 0;
virtual const std::string& getInputKey() = 0;
virtual const std::string& getInputValue() = 0;
virtual void emit(const std::string& key, const std::string& value) = 0;
virtual void progress() = 0;
…….
};
用户可以从context参数中获取当前的key，value，progress和inputsplit等数据信息，此外，还可以调用emit将结果回传给Java代码。
Mapper的构造函数带有一个HadoopPipes::TaskContext参数，用户可以通过它注册一些全局counter，对于程序调试和跟踪作业进度非常有用：
如果你想注册全局counter，在构造函数添加一些类似的代码：
WordCountMap(HadoopPipes::TaskContext& context) {
inputWords1 = context.getCounter(“group”, ”counter1”);
inputWords2 = context.getCounter(“group”, ”counter2”);
}
当需要增加counter值时，可以这样：
context.incrementCounter(inputWords1, 1);
context.incrementCounter(inputWords2, 1);
其中getCounter的两个参数分别为组名和组内计数器名，一个组中可以存在多个counter。
用户自定义的counter会在程序结束时，输出到屏幕上，当然，用户可以用通过web界面看到。
（2） Reducer编写方法
Reducer组件的编写方法跟Mapper组件类似，它需要继承虚基类public HadoopPipes::Reducer。
与Mapper组件唯一不同的地方时，map函数的参数类型为HadoopPipes::ReduceContext，它包含一个nextValue()方法，这允许用于遍历当前key对应的value列表，依次进行处理。
接下来介绍RecordReader， Partitioner和RecordWriter的编写方法：
（3） RecordReader编写方法
用户自定义的RecordReader类需要继承虚基类HadoopPipes::RecordReader，它的声明如下：
class RecordReader: public Closable {
public:
virtual bool next(std::string& key, std::string& value) = 0;
virtual float getProgress() = 0;
};
用户需要实现next和 getProgress两个方法。
用户自定义的RecordReader的构造函数可携带类型为HadoopPipes::MapContext的参数，通过该参数的getInputSplit()的方法，用户可以获取经过序列化的InpuSplit对象，Java端采用不同的InputFormat可导致InputSplit对象格式不同，但对于大多数InpuSplit对象，它们可以提供至少三个信息：当前要处理的InputSplit所在的文件名，所在文件中的偏移量，它的长度。用户获取这三个信息后，可使用libhdfs库读取文件，以实现next方法。
（4） Partitioner编写方法
用户自定义的Partitioner类需要继承虚基类HadoopPipes:: Partitioner，它的声明如下：
class Partitioner {
public:
virtual int partition(const std::string& key, int numOfReduces) = 0;
virtual ~Partitioner() {}
};
用户需要实现partition方法和 析构函数。
对于partition方法，框架会自动为它传入两个参数，分别为key值和reduce task的个数numOfReduces，用户只需返回一个0~ numOfReduces-1的值即可。
（5） RecordWriter编写方法
用户自定义的RecordWriter类需要继承虚基类HadoopPipes:: RecordWriter，它的声明如下：
class RecordWriter: public Closable {
public:
virtual void emit(const std::string& key,
const std::string& value) = 0;
};
用户自定的RecordWriter的构造函数可携带类型为HadoopPipes::MapContext的参数，通过该参数的getJobConf()可获取一个HadoopPipes::JobConf的对象，用户可从该对象中获取该reduce task的各种参数，如：该reduce task的编号（这对于确定输出文件名有用），reduce task的输出目录等。
class WordCountWriter: public HadoopPipes::RecordWriter {
public:
MyWriter(HadoopPipes::ReduceContext& context) {
const HadoopPipes::JobConf* job = context.getJobConf();
int part = job->getInt(“mapred.task.partition”);
std::string outDir = job->get(“mapred.work.output.dir”);
……
}
}
用户需实现emit方法，将数据写入某个文件。
4. Hadoop pipes编程示例
网上有很多人怀疑Hadoop pipes自带的程序wordcount-nopipe.cc不能运行，各个论坛都有讨论，在此介绍该程序的设计原理和运行方法。
该运行需要具备以下前提：
（1） 采用的InputFormat为WordCountInputFormat，它位于src/test/下的org.apache.hadoop.mapred.pipes中
（2） 输入目录和输出目录需位于各个datanode的本地磁盘上，格式为：file:///home/xxx/pipes_test (注意，hdfs中的各种接口同时支持本地路径和HDFS路径，如果是HDFS上的路径，需要使用hdfs://host:9000/user/xxx，表示/user/xxx为namenode 为host的hdfs上的路径，而本地路径，需使用file:///home/xxx/pipes_test，表示/home/xxx/pipes_test为本地路径)
待确定好各个datanode的本地磁盘上有输入数据/home/xxx/pipes_test/data.txt后，用户首先上传可执行文件到HDFS中：
bin/hadoop -put build/c++-examples/Linux-amd64-64/bin/wordcount-simple /user/XXX/ bin/
然后使用下面命令运行该程序：
bin/hadoop pipes \
-D hadoop.pipes.java.recordreader=false \
-D hadoop.pipes.java.recordwriter=false \
-D mapred.job.name=wordcount \
-D mapred.input.format.class=org.apache.hadoop.mapred.pipes.WordCountInputFormat \
-libjars hadoop-0.20.2-test.jar \
-input file:/home/xxx/pipes_test/data.txt \
-output file:/home/xxx/pipes_output \
-program /user/XXX/ bin/wordcount-nopipe
5. Hadoop pipes高级编程
如果用户需要在mapreduce作业中加载词典或者传递参数，可这样做：
（1） 提交作业时，用-files选项，将词典（需要传递参数可以放到一个配置文件中）上传给各个datanode，如
bin/hadoop pipes \
-D hadoop.pipes.java.recordreader=false \
-D hadoop.pipes.java.recordwriter=false \
-D mapred.job.name=wordcount \
-files dic.txt \
….
（2） 在Mapper或者Reducer的构造函数中，将字典文件以本地文件的形式打开，并把内容保存到一个map或者set中，然后再map()或者reduce()函数中使用即可，如
WordCountMap(HadoopPipes::TaskContext& context) {
file = fopen(“dic.txt”, “r”); //C库函数
…….
}
为了提高系能，RecordReader和RecordWriter最好采用Java代码实现（或者重用Hadoop中自带的），这是因为Hadoop自带的C++库libhdfs采用JNI实现，底层还是要调用Java相关接口，效率很低，此外，如果要处理的文件为二进制文件或者其他非文本文件，libhdfs可能不好处理。
6. 总结
Hadoop pipes使C++程序员编写MapReduce作业变得可能，它简单好用，提供了用户所需的大部分功能。
Hadoop pipes使C++程序员编写MapReduce作业变得可能，它简单好用，提供了用户所需的大部分功能。
原创文章，转载请注明： 转载自董的博客
本文链接地址: http://dongxicheng.org/mapreduce/hadoop-pipes-programming/