Hadoop Streaming框架学习（二）

1.常用Streaming命令介绍

使用下面的命令运行Streaming MapReduce程序：

   1:  $HADOOP_HOME/bin/hadoop/hadoop streaming args

其中args是streaming参数，下面是参数列表：

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

2.命令参数详解

下面是对各个参数的详细说明：

l -input <path>：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。

l -output <path>：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。

l -mapper：指定mapper可执行程序或Java类，必须指定且唯一。

l -reducer：指定reducer可执行程序或Java类，必须指定且唯一。

l -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，具体使用方法参考文件分发与打包。

l -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。

l -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

l -combiner：指定combiner Java类，对应的Java类文件打包成jar文件后用-file分发。

l -partitioner：指定partitioner Java类，Streaming提供了一些实用的partitioner实现，参考KeyBasedFiledPartitoner和IntHashPartitioner。

l -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。

l -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。

l -mapdebug, -reducedebug：分别指定mapper和reducer程序失败时运行的debug程序。

l -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。

3.Streaming使用示例

   1:   # 删除原目录 由于streaming必须确保输出路径不存在

   2:   $hadoop fs -rmr "$outpath"

3:

   4:   # 执行统计

   5:   $hadoop streaming \

   6:       -input   "$inpath" \  # 文件输入路径

   7:       -output  "$outpath" \ # 结果输出路径

   8:      -mapper  "$map" \     # map阶段所用脚步

   9:       -reducer "$reduce" \  # reduce阶段所用脚本

  10:       -file    "$map" \     # 将客户端本地分拣分发到计算节点

  11:       -file    "$reduce" \

  12:       -jobconf mapred.job.name="test_task" \ # 任务名称

  13:       -jobconf stream.num.map.output.key.fields=1 \

  14:       -jobconf mapred.job.priority=HIGH \    # 作业优先级

  15:       -jobconf mapred.job.map.capacity=100 \ # 同时运行的map数

  16:       -jobconf mapred.job.reduce.capacity=10 \ # 同时运行的reduce数

  17:       -jobconf mapred.map.tasks=2000 \         # map的个数

  18:       -jobconf mapred.reduce.tasks=10          # reduce的格式

19:

  20:    exit $?