Hadoop-2.4.1学习之Streaming编程

在之前的文章曾提到Hadoop不仅支持用Java编写的job，也支持其他语言编写的作业，比方Hadoop Streaming（shell、python）和Hadoop Pipes（c++），本篇文章将学习Hadoop Streaming编程。

Streaming是hadoop自带的工具，封装在hadoop-streaming-版本.jar中，能够使用hadoop jar hadoop-streaming-版本.jar命令启动，在该命令中还须要指定mapper或/和reducer。当中mapper和reducer任务既能够是java类，也能够是可运行文件（如cat）或脚本文件（如python）。

该工具将创建MapReduce作业。将作业提交给集群处理并监控作业的运行进度等，以下分析一下Streaming的运行过程。

当可运行文件做为mapper或者reducer时，每一个mapper任务或者reducer任务在mapper或者reducer初始化后将可运行文件做为独立的进程载入运行。

当mapper任务运行时。它将输入转换为行然后把这些行传递给该进程的标准输入stdin，同一时候mapper收集从该进程的标准输出stdout产生的行并将每行转换为键值对。这些键值对将做为该mapper的输出。默认的情况下，一行的開始部分到第一个tab符为键，剩余的部分（不包括tab符）为值。假设某行不存在tab符，则整个行将做为键，而值为null。

但可通过使用-inputformat命令行选项自己定义键值分隔符。当reducer任务运行时，它将输入的键值对转换为行，然后传递给该进程的标准输入stdin，同一时候reducer任务收集该进程标准输出stdout的输出。并转换为键值对，这些键值对将做为reducer任务的输出。同mapper任务一样，默认使用tab符分隔键值对，用户能够使用-outputformat自己定义分隔符。

通过上面的描写叙述可知，mapper和reducer的的输出都为键值对。输入都为从对应进程的stdin输入的行，不同的是mapper是将输入数据转换为行，reducer是将mapper输出的键值对转换为行。

能够通过指定stream.non.zero.exit.is.failure的值为true或false表示streaming任务退出时状态码的含义，假设为true则非0值表示失败。若为false则非0表示成功，默认情况下。streaming任务退出时的状态码非0表示任务失败。接下来看看streaming工具的语法格式。用户能够通过在命令行输入hadoop jar hadoop-streaming-2.4.1.jar –help获取该工具的具体使用方法，例如以下表所看到的：

參数	可选/必选	说明
-input	必选	Map阶段输入文件的路径
-output	必选	Reduce阶段的输出文件夹
-mapper	可选	可运行文件或者Java类，做为mapper。默觉得PipeMapper
-reducer	可选	可运行文件或者Java类，做为reducer。 默觉得PipeReducer
-combiner	可选	可运行文件或者Java类，做为combiner。默觉得PipeCombiner
-partitioner	可选	做为partitioner的Java类
-inputformat	可选	指定输入格式的Java类，默觉得TextInputFormat，还能够为SequenceFileAsTextInputFormat或者自己定义输入格式的Java类
-outputformat	可选	指定输出格式的Java类，默觉得TextOutputFormat，也能够为自己定义输出格式的Java类
-file	可选	指定了作业使用的文件，将被复制到集群中。推荐使用通用选项-files选线替代该选项
-numnumReduceTasks	可选	指定reducer的数量
-inputreader	可选	指定读取记录的reader类
-cmdenv	可选	<n>=<v>，像streaming传递环境变量
-mapdebug	可选	指定了map任务失败时运行的脚本
-reducedebug	可选	指定了reduce任务失败时运行的脚本
-lazyOutput	可选	延迟创建输出，比如假设输出为TextOutputFormat。输出文件仅在第一次调用Context.write时创建
-background	可选	提交作业后马上返回，不等待作业完毕
-verbose	可选	打印作业的运行情况
-info	可选	打印具体的使用方式

除了上表所述的专门用于streaming的选项外，在使用streaming工具时还能够指定通用选项。但须要确保通用选项位于streaming选项之前。否则将导致失败。

通用选项例如以下表所看到的：

參数	可选/必选	说明
-conf configuration_file	可选	指定应用程序的配置文件
-D property=value	可选	为指定属性设置特定值
-fs host:port or local	可选	指定NameNode
-files	可选	指定用逗号分隔的传递到MapReduce集群的文件
-libjars	可选	指定要被包括在类路径中的用逗号分隔的jar文件
-archives	可选	指定了用逗号分隔的归档文件，这些归档文件将在计算节点上解压缩

前面以前提到，默认使用tab符分隔键值对，而且依照第一个tab符来分隔，而在非常多情况下。数据不是使用tab符分隔字段，而且希望某几个字段做为键，默认情况将不满足这种需求。此时用户能够通过使用对应的參数来改动默认设置，这几个參数为：

參数	说明
stream.map.input.field.separator	Map输入的字段分隔符，默觉得\t
stream.map.output.field.separator	Map输出的字段分隔符，默觉得\t
stream.num.map.output.key.fields	第几个分隔符用于分隔键值对。默觉得1
stream.reduce.input.field.separator	Reduce输入的字段分隔符，默觉得\t
stream.reduce.output.field.separator	Reduce输出的字段分隔符，默觉得\t
stream.num.reduce.output.key.fields	第几个分隔符用于分隔键值对，默觉得1

通过一个具体的演示样例代码来具体描写叙述上述參数的含义，在该段代码中使用点号（.）做为分隔符，而且第四个点号之前的字段为键，第四个点号（不包括该点号）后面的字段做为值。假设某行中的点号少于四个，则正行将做为键，值为空的Text对象。代码例如以下：

hadoop jar hadoop-streaming-2.4.1.jar \
    -D stream.map.output.field.separator=. \
    -D stream.num.map.output.key.fields=4 \
    -input input \
    -output output \
    -mapper /bin/cat \
    -reducer /bin/cat

最后通过以下的演示样例代码结束Streaming编程的学习。在该代码中通过-files通用选项将两个python脚本上传到集群中，并分别做为mapper和reducer：

hadoop jar hadoop-streaming-2.4.1.jar \
-files mapperPythonScript.py, reducerPythonScript.py
-input myInputDirs \
    -output myOutputDir \
    -mapper mapperPythonScript.py \
    -reducer reducerPythonScript.py

本篇文章学习Hadoop Streaming编程，具体介绍了作业流程和參数的使用方式，至于怎样编写Streaming中的mapper和reducer，则须要依据用户使用的脚本语言（如python、shell）而定。