hive自定义函数——hive streaming

Hadoop Streaming提供了一个便于进行MapReduce编程的工具包，使用它可以基于一些可执行命令、脚本语言或其他编程语言来实现Mapper和 Reducer，Streaming方式是基于Unix系统的标准输入输出来进行MapReduce Job的运行。

任何支持标准输入输出特性的编程语言都可以使用Streaming方式来实现MapReduce Job，基本原理就是输入从Unix系统标准输入，输出使用Unix系统的标准输出。

Streaming的实现需要TRANSFORM()函数和USING关键字，TRANSFORM()的参数是表的列名，USING关键字用于指定脚本

注意：

先将脚本add file 进来

比如WordCount功能：

1、使用Python实现Mapper，代码文件为word_count_mapper.py，代码如下所示：

1    #!/usr/bin/env python
2
3    import sys
4
5    for line in sys.stdin:
6        line = line.strip()
7        words = filter(lambda word: word, line.split())
8        for word in words:
9            print '%s\t%s' % (word, 1)

2、使用Python实现Reducer，代码文件为word_count_reducer.py，代码如下所示：

    #!/usr/bin/env python

    import sys
    from operator import itemgetter

    wc_dict = {}

    for line in sys.stdin:
        line = line.strip()
        word, count = line.split()
        try:
            count = int(count)
            wc_dict[word] = wc_dict.get(word, 0) + count
        except ValueError:
            pass

    sorted_dict = sorted(wc_dict.items(), key=itemgetter(0))
    for word, count in sorted_dict:
        print '%s\t%s' % (word, count)

 

 

3、输出统计：

add file /home/hadoop/test928/wc_map.py /home/hadoop/test928/wc_reduce.py;
select transform(wc.word,wc.count) using 'python wc_reduce.py' as word ,count from (select transform(line) using 'python wc_map.py' as word, count from docs) wc;

（转）hive streaming 使用的时候的一些心得

hive streaming 报错的解决方案：
1、把使用到hive streaming 的sql 分解，例如：select transform a,b,c,d using 'python cc.py' as (e,f) from table,分解成：select a,b,c,d from table ，然后执行：　　hive -e "select a,b,c,d from table" | python cc.py,这样如果是语法有问题的话就会检查出来。
2、查看是否是编码问题：如果你的sql中要使用：using “cc.py” 那么如果python脚本有编码问题的话，就会无法执行并报错。监测是否有问题的方法是：chmod 777 cc.py，然后用./cc.py执行脚本，如果报错，那么sql中肯定也报错，解决方法就是用 using “python cc.py”
3、如果你的集群配置了日志收集，那么查看问题就方便多了，直接去执行sql的hdfs 上面的application目录下面查看就可以。
4、在python 脚本中加上 import traceback ；　except Exception,e:　print traceback.format_exc()