hadoop学习；Streaming，aggregate；combiner

文章来源：http://www.itnose.net/detail/6044147.html 更多文章：http://www.itnose.net/type/119.html

hadoop streaming允许我们使用任何可执行脚本来处理按行组织的数据流，数据取自UNIX的标准输入STDIN,并输出到STDOUT

通过设定mapper为‘RandomSample.py 10’,我们按十分之一的采样率，没有设定特殊的reducer，一般默认使用IdentityReducer（把输入直接转向输出）

通过HDFS的命令getMerge（输出合并）或其他文件操作，可以获得正确数目的输出文件

随机采样脚本用Python实现，但是只要基于STDIN和STDOUT的脚本语言都可以，当把一个文件当作php脚本时，<?php ...........?>这里的?>要省略

在Sreaming中，每个mapper都会看到完整的数据流，也正是由mapper负责将完整的数据流分割成记录，而在java模式中，是由框架将输入数据分割为记录，每次仅将一个记录传给map（）。

Streaming模式更容易维护一个分片中跨记录的状态信息，我们利用这一点计算多个记录中的最大值。

聚类算法：可以让mapper计算一个分片（多个记录）的最大值，reducer接收这些值并输出一个全局最大值

我们使用聚合函数来计算统计，它通常分为三类：分配型，代数型和全集型。最大函数式是一个分配型的例子，其他分配型包括最小值，求和和计数，分配型函数具有分配律特征，你可以在逻辑上循环的将这些函数应用到更小块的数据上

默认情况下Streaming使用制表符分离记录的key和value，当没有制表符时，整个记录被视为key，而value为空白文本。mapper可以选择把每条记录翻译成一个键值对，还是一行文本

实践上讲reducer的输出直接写入到一个文件中，但技术上讲，在写之前还有个无操作的步骤，在这个步骤中，Streaming API将reducer的输出自动用制表符分开，并将键值对送到默认的TextOutPutFormat中，即在文件输出前，默认插入一个制表符

hadoop有个aggregate软件包，它让数据汇集更为简单

当我们使用的时候，可以直接封装，例如编写ValueHistogram.py对ValueHistogram进行封装

 

在mapper和reducer之间增加了combiner，它在数据的转换上必须同reducer等价，mapreduce可以使用combiner次数不限（0到N），如果我们去掉combiner，reducer输出应保持不变，而且当combiner被应用于中间数据任意子集时，仍需保持等价转换的特性