Hadoop Streaming开发要点

一.shell脚本中的相关配置

 HADOOP_CMD="/usr/local/src/hadoop-1.2.1/bin/hadoop"
 STREAM_JAR_PATH="/usr/local/src/hadoop-1.2.1/contrib/streaming/hadoop-streaming-1.2.1.jar"

 INPUT_FILE_PATH="/input.txt"
 OUTPUT_PATH="/output"

 $HADOOP_CMD fs -rmr -skipTrash $OUTPUT_PATH

 $HADOOP_CMD jar $STREAM_JAR_PATH
   　　　　-input  $INPUT_FILE_PATH  \
   　　　　-output  $OUTPUT_PATH  \
   　　　　-mapper  "python map.py"  \
   　　　　-reducer  "python red.py"  \
   　　　　-file  map.py  \
   　　　　-file  red.py  \
   　　　　-jobfonf  mapred.job.name="xxx"    

-input : 指定作业的输入文件的HDFS路径, 支持使用*通配符, 支持指定多个文件或目录, 可多次使用

-output : 指定作业的输出文件的HDFS路径, 输出目录不能存在, 执行作业的用户必须有创建该目录的权限, 只能使用一次

-mapper : 自己写的map程序

-reducer : 自己写的reduce程序

-file : 分发文件到计算节点中, 包括map和reduce的执行文件, 以及map和reduce要用的输入文件, 如配置文件. 类似的配置还有-cacheFile,-cacheArchive分别用于向计算节点分发HDFS文件和HDFS压缩文件.(注意: 当输入文件比较大的时候需要先放到HDFS中, 不能用-file分发方式)

-jobconf : 提交作业的一些配置属性.

　　常见配置:

　　(1)mapred.map.tasks : map task数目

　　(2)mapred.reduce.tasks : reduce task数目

　　(3)stream.num.map.output.key.fileds : 指定map task输出记录中key所占的域数目(也就是用几个字段做为key)

　　(4)num.key.fields.for.partition : 指定对key分出来的前几个部分做partition而不是整个key, 以下三个配置通常是搭配使用.

　　其它配置:

　　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

　　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.out.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

 二.关于文件分发与打包

(1)如果文件(如字典文件)存放在HDFS中, 希望计算时在每个计算节点上将文件当做本地文件处理, 可以使用以下配置在计算节点缓存文件, Streaming程序通过./linkname访问文件.

-cacheFile "hdfs://host:port/path/to/file#linkname"          #此处linkname相当于别名

举个栗子:

 HADOOP_CMD="/usr/local/src/hadoop-1.2.1/bin/hadoop"
 STREAM_JAR_PATH="/usr/local/src/hadoop-1.2.1/contrib/streaming/hadoop-streaming-1.2.1.jar"

 INPUT_FILE_PATH="/The_Man_of_Property.txt"
 OUTPUT_PATH="/output_cachefile_broadcast"

 #$HADOOP_CMD fs -rmr -skipTrash $OUTPUT_PATH

 # Step 1.
 $HADOOP_CMD jar $STREAM_JAR_PATH \
     -input $INPUT_FILE_PATH \
     -output $OUTPUT_PATH \
     -mapper "python map.py mapper_func WH" \
     -reducer "python red.py reduer_func" \
     -jobconf "mapred.reduce.tasks=2" \
     -jobconf  "mapred.job.name=cachefile_demo" \
     -cacheFile "hdfs://master:9000/cachefile_dir/white_list.txt#WH" \
     -file "./map.py" \
     -file "./red.py"

(2)如果要分发的文件有目录结构, 可以先将整个目录打包, 然后上传到HDFS, 再用-cacheArchive来分发压缩包, 栗子如下:

HADOOP_CMD="/usr/local/src/hadoop-1.2.1/bin/hadoop"
STREAM_JAR_PATH="/usr/local/src/hadoop-1.2.1/contrib/streaming/hadoop-streaming-1.2.1.jar"

INPUT_FILE_PATH="/The_Man_of_Property.txt"
OUTPUT_PATH="/output_cachearchive_broadcast"

$HADOOP_CMD fs -rmr -skipTrash $OUTPUT_PATH

# Step 1.
$HADOOP_CMD jar $STREAM_JAR_PATH \
    -input $INPUT_FILE_PATH \
    -output $OUTPUT_PATH \
    -mapper "python map.py mapper_func WH" \
    -reducer "python red.py reduer_func" \
    -jobconf "mapred.reduce.tasks=2" \
    -jobconf  "mapred.job.name=cacheArchive_demo" \
    -cacheArchive "hdfs://master:9000/w.tar.gz#WH" \
    -file "./map.py" \
    -file "./red.py"

关于linux文件压缩和解压命令见如下链接:

http://www.cnblogs.com/CoolJayson/p/7469620.html