[置顶] Hadoop 实战之Streaming（一）

Hadoop 的Streaming

1、概述

Hadoop Streaming是Hadoop提供的一个编程工具，它允许用户使用任何可执行文件或者脚本文件作为Mapper和Reducer，例如：

采用shell脚本语言中的一些命令作为mapper和reducer（cat作为mapper，wc作为reducer）

$HADOOP_HOME/bin/hadoop  jar $HADOOP_HOME/hadoop-streaming.jar \

-input myInputDirs \

-output myOutputDir \

-mapper cat \

-reducer wc

2、Hadoop Streaming原理

mapper和reducer会从标准输入中读取用户数据，一行一行处理后发送给标准输出。Streaming工具会创建MapReduce作业，发送给各个tasktracker，同时监控整个作业的执行过程。

如果一个文件（可执行或者脚本）作为mapper，mapper初始化时，每一个mapper任务会把该文件作为一个单独进程启动，mapper任务运行时，它把输入切分成行并把每一行提供给可执行文件进程的标准输入。 同时，mapper收集可执行文件进程标准输出的内容，并把收到的每一行内容转化成key/value对，作为mapper的输出。 默认情况下，一行中第一个tab之前的部分作为key，之后的（不包括tab）作为value。如果没有tab，整行作为key值，value值为null。

对于reducer，类似。

以上是Map/Reduce框架和streaming mapper/reducer之间的基本通信协议。

3、Hadoop Streaming用法

Usage: $HADOOP_HOME/bin/hadoop jar \

$HADOOP_HOME/hadoop-streaming.jar [options]

options：

（1）-input：输入文件路径

（2）-output：输出文件路径

（3）-mapper：用户自己写的mapper程序，可以是可执行文件或者脚本

（4）-reducer：用户自己写的reducer程序，可以是可执行文件或者脚本

（5）-file：打包文件到提交的作业中，可以是mapper或者reducer要用的输入文件，如配置文件，字典等。

（6）-partitioner：用户自定义的partitioner程序

（7）-combiner：用户自定义的combiner程序（必须用java实现）

（8）-D：作业的一些属性（以前用的是-jonconf），具体有：

             1）mapred.map.tasks：map task数目

             2）mapred.reduce.tasks：reduce task数目

             3）stream.map.input.field.separator/stream.map.output.field.separator： map task输入/输出数

据的分隔符,默认均为\t。

             4）stream.num.map.output.key.fields：指定map task输出记录中key所占的域数目

             5）stream.reduce.input.field.separator/stream.reduce.output.field.separator：reduce task输入/输出数据的分隔符，默认均为\t。

             6）stream.num.reduce.output.key.fields：指定reduce task输出记录中key所占的域数目

另外，Hadoop本身还自带一些好用的Mapper和Reducer：

（1）    Hadoop聚集功能

Aggregate提供一个特殊的reducer类和一个特殊的combiner类，并且有一系列的“聚合器”（例如“sum”，“max”，“min”等）用于聚合一组value的序列。用户可以使用Aggregate定义一个mapper插件类，这个类用于为mapper输入的每个key/value对产生“可聚合项”。Combiner/reducer利用适当的聚合器聚合这些可聚合项。要使用Aggregate，只需指定“-reducer aggregate”。

（2）字段的选取（类似于Unix中的‘cut’）

Hadoop的工具类org.apache.hadoop.mapred.lib.FieldSelectionMapReduc帮助用户高效处理文本数据，就像unix中的“cut”工具。工具类中的map函数把输入的key/value对看作字段的列表。 用户可以指定字段的分隔符（默认是tab），可以选择字段列表中任意一段（由列表中一个或多个字段组成）作为map输出的key或者value。 同样，工具类中的reduce函数也把输入的key/value对看作字段的列表，用户可以选取任意一段作为reduce输出的key或value。

4、Mapper和Reducer实现

本节试图用尽可能多的语言编写Mapper和Reducer，包括Java，C，C++，Shell脚本，python等。

由于Hadoop会自动解析数据文件到Mapper或者Reducer的标准输入中，以供它们读取使用，所有应先了解各个语言获取标准输入的方法。

环境：Vmware 8.0 和ubuntu11.04

Hadoop 实战之Streaming（一）---通过Unix命令使用Streaming

第一步: 首先在/home/tanglg1987目录下新建一个start.sh脚本文件，每次启动虚拟机都要删除/tmp目录下的全部文件，重新格式化namenode，代码如下：

sudo rm -rf /tmp/*
rm -rf /home/tanglg1987/hadoop-0.20.2/logs
hadoop namenode -format
hadoop datanode -format
start-all.sh
hadoop fs -mkdir input 
hadoop dfsadmin -safemode leave

第二步：给start.sh增加执行权限并启动hadoop伪分布式集群，代码如下:

chmod 777 /home/tanglg1987/start.sh
./start.sh 

执行过程如下：

第三步：编写一个名为：list-4-1.sh的shell脚本

$HADOOP_HOME/bin/hadoop  jar $HADOOP_HOME/hadoop-0.20.2-streaming.jar \
    -input input/cite75_99.txt \
    -output output \
    -mapper 'cut -f 2 -d ,' \
   -reducer  'uniq'

第四步：给list-4-1.sh增加执行权限并启动脚本，代码如下：

chmod 777 /home/tanglg1987/list-4-1.sh
./list-4-1.sh

第五步：Run On Hadoop，运行过程如下：

tanglg1987@tanglg1987:~/test/streaming$ ./list-4-1.sh
packageJobJar: [/tmp/hadoop-tanglg1987/hadoop-unjar6010847675622454264/] [] /tmp/streamjob1903205486478029700.jar tmpDir=null
12/10/19 21:07:00 INFO mapred.FileInputFormat: Total input paths to process : 1
12/10/19 21:07:00 INFO streaming.StreamJob: getLocalDirs(): [/tmp/hadoop-tanglg1987/mapred/local]
12/10/19 21:07:00 INFO streaming.StreamJob: Running job: job_201210192029_0004
12/10/19 21:07:00 INFO streaming.StreamJob: To kill this job, run:
12/10/19 21:07:00 INFO streaming.StreamJob: /home/tanglg1987/hadoop-0.20.2/bin/../bin/hadoop job  -Dmapred.job.tracker=localhost:9101 -kill job_201210192029_0004
12/10/19 21:07:00 INFO streaming.StreamJob: Tracking URL: http://localhost:50030/jobdetails.jsp?jobid=job_201210192029_0004
12/10/19 21:07:01 INFO streaming.StreamJob:  map 0%  reduce 0%
12/10/19 21:07:16 INFO streaming.StreamJob:  map 7%  reduce 0%
12/10/19 21:07:19 INFO streaming.StreamJob:  map 10%  reduce 0%
12/10/19 21:07:22 INFO streaming.StreamJob:  map 15%  reduce 0%
12/10/19 21:07:25 INFO streaming.StreamJob:  map 19%  reduce 0%
12/10/19 21:07:28 INFO streaming.StreamJob:  map 23%  reduce 0%
12/10/19 21:07:31 INFO streaming.StreamJob:  map 26%  reduce 0%
12/10/19 21:07:34 INFO streaming.StreamJob:  map 29%  reduce 0%
12/10/19 21:07:37 INFO streaming.StreamJob:  map 33%  reduce 0%
12/10/19 21:07:40 INFO streaming.StreamJob:  map 36%  reduce 0%
12/10/19 21:07:43 INFO streaming.StreamJob:  map 40%  reduce 0%
12/10/19 21:07:46 INFO streaming.StreamJob:  map 45%  reduce 0%
12/10/19 21:07:49 INFO streaming.StreamJob:  map 48%  reduce 0%
12/10/19 21:07:52 INFO streaming.StreamJob:  map 50%  reduce 0%
12/10/19 21:08:19 INFO streaming.StreamJob:  map 58%  reduce 0%
12/10/19 21:08:22 INFO streaming.StreamJob:  map 58%  reduce 17%
12/10/19 21:08:25 INFO streaming.StreamJob:  map 63%  reduce 17%
12/10/19 21:08:28 INFO streaming.StreamJob:  map 67%  reduce 17%
12/10/19 21:08:31 INFO streaming.StreamJob:  map 71%  reduce 17%
12/10/19 21:08:34 INFO streaming.StreamJob:  map 74%  reduce 17%
12/10/19 21:08:37 INFO streaming.StreamJob:  map 77%  reduce 17%
12/10/19 21:08:40 INFO streaming.StreamJob:  map 81%  reduce 17%
12/10/19 21:08:43 INFO streaming.StreamJob:  map 84%  reduce 17%
12/10/19 21:08:46 INFO streaming.StreamJob:  map 88%  reduce 17%
12/10/19 21:08:49 INFO streaming.StreamJob:  map 91%  reduce 17%
12/10/19 21:08:52 INFO streaming.StreamJob:  map 95%  reduce 17%
12/10/19 21:08:55 INFO streaming.StreamJob:  map 97%  reduce 17%
12/10/19 21:08:58 INFO streaming.StreamJob:  map 99%  reduce 17%
12/10/19 21:09:02 INFO streaming.StreamJob:  map 100%  reduce 17%
12/10/19 21:09:25 INFO streaming.StreamJob:  map 100%  reduce 33%
12/10/19 21:09:28 INFO streaming.StreamJob:  map 100%  reduce 70%
12/10/19 21:09:31 INFO streaming.StreamJob:  map 100%  reduce 73%
12/10/19 21:09:34 INFO streaming.StreamJob:  map 100%  reduce 79%
12/10/19 21:09:37 INFO streaming.StreamJob:  map 100%  reduce 84%
12/10/19 21:09:40 INFO streaming.StreamJob:  map 100%  reduce 90%
12/10/19 21:09:43 INFO streaming.StreamJob:  map 100%  reduce 95%
12/10/19 21:09:49 INFO streaming.StreamJob:  map 100%  reduce 100%
12/10/19 21:09:55 INFO streaming.StreamJob: Job complete: job_201210192029_0004
12/10/19 21:09:55 INFO streaming.StreamJob: Output: output

第六步：查看结果集，运行结果如下：