Hadoop Streaming 编程

542179528

　　Hadoop Streaming 编程 | 董的博客

Hadoop Streaming 编程
　　
　　Category: Hadoop-MapReduce
　　View: 5,678 阅
Author: Dong
　　
　　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
　　本文安排如下，第二节介绍Hadoop Streaming的原理，第三节介绍Hadoop Streaming的使用方法，第四节介绍Hadoop Streaming的程序编写方法，在这一节中，用C++、C、shell脚本 和python实现了WordCount作业，第五节总结了常见的问题。文章最后给出了程序下载地址。(本文内容基于Hadoop-0.20.2版本)
　　(注：如果你采用的语言为C或者C++，也可以使用Hadoop Pipes，具体可参考这篇文章：Hadoop Pipes编程。)
　　关于Hadoop Streaming高级编程方法，可参考这篇文章：Hadoop Streaming高级编程。
　　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。
　　（1）    Java语言：
　　见Hadoop自带例子
　　（2）    C++语言：

1 2 3 4

string key; while(cin>>key){ cin>>value; ….

　　（3）  C语言：

1 2 3 4 5

char buffer[BUF_SIZE]; while(fgets(buffer, BUF_SIZE - 1, stdin)){ int len = strlen(buffer); … }

　　（4）  Shell脚本
　　用管道
　　（5） Python脚本

1 2 3

import sys for line in sys.stdin: .......

　　为了说明各种语言编写Hadoop Streaming程序的方法，下面以WordCount为例，WordCount作业的主要功能是对用户输入的数据中所有字符串进行计数。
　　（1）C语言实现

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

//mapper #include #include #include #define BUF_SIZE        2048 #define DELIM   "\n" int main(int argc, char *argv[]){      char buffer[BUF_SIZE];      while(fgets(buffer, BUF_SIZE - 1, stdin)){             int len = strlen(buffer);             if(buffer[len-1] == '\n')              buffer[len-1] = 0;             char *querys  = index(buffer, ' ');             char *query = NULL;             if(querys == NULL) continue;             querys += 1; /*  not to include '\t' */             query = strtok(buffer, " ");             while(query){                    printf("%s\t1\n", query);                    query = strtok(NULL, " ");             }      }      return 0; } //--------------------------------------------------------------------------------------- //reducer #include #include #include #define BUFFER_SIZE     1024 #define DELIM   "\t" int main(int argc, char *argv[]){ char strLastKey[BUFFER_SIZE]; char strLine[BUFFER_SIZE]; int count = 0; *strLastKey = '\0'; *strLine = '\0'; while( fgets(strLine, BUFFER_SIZE - 1, stdin) ){ char *strCurrKey = NULL; char *strCurrNum = NULL; strCurrKey  = strtok(strLine, DELIM); strCurrNum = strtok(NULL, DELIM); /* necessary to check error but.... */ if( strLastKey[0] == '\0'){ strcpy(strLastKey, strCurrKey); } if(strcmp(strCurrKey, strLastKey)){ printf("%s\t%d\n", strLastKey, count); count = atoi(strCurrNum); }else{ count += atoi(strCurrNum); } strcpy(strLastKey, strCurrKey); } printf("%s\t%d\n", strLastKey, count); /* flush the count */ return 0; }

　　（2）C++语言实现


[table][tr][td]
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[/td][td]

//mapper
#include
#include
#include
using namespace std;

int main(){
        string key;
        string value = "1";
        while(cin>>key){
                cout