hadoop streaming 编程

 转自：http://dongxicheng.org/mapreduce/hadoop-streaming-programming/

 

注：0.21.0中 generic command options 中的的参数都需要在streaming options的前面才不会报错

-file被-files所代替 的使用参见

http://hadoop.apache.org/common/docs/current/streaming.html#Making+Files+Available+to+Tasks

 

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：

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

（3）  C语言：

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

import sysfor 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

//mapper#include <stdio.h>#include <string.h>#include <stdlib.h>#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 <stdio.h>#include <string.h>#include <stdlib.h>#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

//mapper#include <stdio.h>#include <string>#include <iostream>using namespace std;int main(){        string key;        string value = "1";        while(cin>>key){                cout<<key<<"\t"<<value<<endl;        }        return 0;}//------------------------------------------------------------------------------------------------------------//reducer#include <string>#include <map>#include <iostream>#include <iterator>using namespace std;int main(){        string key;        string value;        map<string, int> word2count;        map<string, int>::iterator it;        while(cin>>key){                cin>>value;                it = word2count.find(key);                if(it != word2count.end()){                        (it->second)++;                }                else{                        word2count.insert(make_pair(key, 1));                }        }        for(it = word2count.begin(); it != word2count.end(); ++it){                cout<<it->first<<"\t"<<it->second<<endl;        }        return 0;}

（3）shell脚本语言实现

$HADOOP_HOME/bin/hadoop  jar $HADOOP_HOME/hadoop-streaming.jar \    -input myInputDirs \    -output myOutputDir \    -mapper cat \   -reducer  wc

（4）Python脚本语言实现

#!/usr/bin/env pythonimport sys# maps words to their countsword2count = {}# input comes from STDIN (standard input)for line in sys.stdin:    # remove leading and trailing whitespace    line = line.strip()    # split the line into words while removing any empty strings    words = filter(lambda word: word, line.split())    # increase counters    for word in words:        # write the results to STDOUT (standard output);        # what we output here will be the input for the        # Reduce step, i.e. the input for reducer.py        #        # tab-delimited; the trivial word count is 1        print '%s\t%s' % (word, 1)#---------------------------------------------------------------------------------------------------------#!/usr/bin/env pythonfrom operator import itemgetterimport sys# maps words to their countsword2count = {}# input comes from STDINfor line in sys.stdin:    # remove leading and trailing whitespace    line = line.strip()    # parse the input we got from mapper.py    word, count = line.split()    # convert count (currently a string) to int    try:        count = int(count)        word2count[word] = word2count.get(word, 0) + count    except ValueError:        # count was not a number, so silently        # ignore/discard this line        pass# sort the words lexigraphically;## this step is NOT required, we just do it so that our# final output will look more like the official Hadoop# word count examplessorted_word2count = sorted(word2count.items(), key=itemgetter(0))# write the results to STDOUT (standard output)for word, count in sorted_word2count:    print '%s\t%s'% (word, count)

5、常见问题

（1）作业总是运行失败：

需要把mapper文件和reducer文件放到各个tasktracker上，保证各个节点均有一份。也可在提交作业时，采用-file选项指定这些文件。

（2）用脚本编写时，第一行需注明脚本解释器，默认是shell

6、参考资料

【1】C++&Python实现Hadoop Streaming的paritioner和模块化

【2】如何在Hadoop中使用Streaming编写MapReduce

【3】Hadoop如何与C++结合

【4】Hadoop Streaming和pipes理解

7、程序打包下载

文章中用到的程序源代码可在此处下载！

原创文章，转载请注明： 转载自董的博客

本文链接地址: http://dongxicheng.org/mapreduce/hadoop-streaming-programming/