Hadoop Streaming 实战： 多路输出

streaming把reduce的输出作为一个任务的最终输出，输出文件形如：
      part-00000、part-00001……
      文件个数为reduce任务个数

但是，有的时候，我们有多路输出的需求，eg：一部分数据作为下一个mapreduce任务的输入，另一部分数据直接供下游任务抓取，此时，我们就需要使用reduce的多路输出。

在hadoop-v2-u7中，streaming引入了reduce多路输出的功能，允许一个reduce输出到多个文件中，规则如下：
      使用-outputformat org.apache.hadoop.mapred.lib.SuffixMultipleTextOutputFormat或者-outputformat org.apache.hadoop.mapred.lib.SuffixMultipleSequenceFileOutputFormat指定使用带多输出的OutputFormat（前者对应于文本输入，后者于二进制输入）
      reduce输出文件可以为part-xxxxx-X文件，其中X是A-Z的字母之一，使用方式是在输出key,value对的时候，在value的后面追加"#X"两个字节后缀，后缀不同的key,value输出到不同的part-xxxxx-X文件，value的后缀"#X"自动删除。 
      此时，需要特别注意的是，由于value之后#X才会识别为输出文件标示，而reduce的输出默认以"\t"分割key和value，因此，如果reduce的输出是一行中间没有"/t"，我们就需要在#X后缀前面添加"\t"使它变成value的一部分而不是key的一部分，也可以通过“-D stream.reduce.output.field.separator”指定reduce输出分割符的类型。

示例：
对输入的数据做处理，以字符'1’开头的输入part-xxxxx-A文件中，以字符'2’开头的输入part-xxxxx-B文件中，其余输入part-xxxxx-C文件中

1. mapper程序mapper.sh

[html] view plaincopyprint?

1. #!/bin/sh 
2. while read line 
3.   do         
4.   echo "$line" 
5.   done  

#!/bin/shwhile read line do echo "$line" done

2. reducer程序reducer.sh

[html] view plaincopyprint?

1. #!/bin/sh 
2. while read line 
3.   do         
4.   tag=`expr substr $line 1 1`         
5.   if [ $tag == "1" ]         
6.   then                 
7.   echo -e "$line\t#A"         
8.   elif [ $tag == "2" ]         
9.   then                 
10.   echo -e "$line\t#B"         
11.   else                 
12.   echo -e "$line\t#C"         
13.   fi 
14.   done 

#!/bin/shwhile read line do tag=`expr substr $line 1 1` if [ $tag == "1" ] then echo -e "$line\t#A" elif [ $tag == "2" ] then echo -e "$line\t#B" else echo -e "$line\t#C" fi done
3. 输入数据:test.txt

1,2,1,1,12,2,2,1,13,3,1,1,11,3,2,1,12,3,3,1,13,2,3,1,11,3,1,1,12,3,2,1,13,3,3,1,14,3,3,1,1

4. 输入文本放入hdfs，集群运行：

$ hadoop fs -put test.txt /usr/test.txt
$ hadoop streaming -input /usr test.txt /
    -output /usr/test_1234 /
    -mapper ./mapper.sh -reducer ./reducer.sh /
    -file mapper.sh -file reducer.sh /
    -inputformat org.apache.hadoop.mapred.TextInputFormat /
    -outputformat org.apache.hadoop.mapred.lib.SuffixMultipleTextOutputFormat /
    -jobconf -jobconf mapred.reduce.tasks=3 /
    -jobconf mapre.job.name="mul_output_test"

查看输出：

$ hadoop fs -ls /usr/test_1234
Found 7 items
-rw-r--r--   3 test test         11 2011-05-20 09:56 /usr/test_1234/part-00000-C
-rw-r--r--   3 test test         11 2011-05-20 09:56 /usr/test_1234/part-00001-A
-rw-r--r--   3 test test         11 2011-05-20 09:56 /usr/test_1234/part-00001-B
-rw-r--r--   3 test test         11 2011-05-20 09:56 /usr/test_1234/part-00001-C
-rw-r--r--   3 test test         22 2011-05-20 09:56 /usr/test_1234/part-00002-A
-rw-r--r--   3 test test         22 2011-05-20 09:56 /usr/test_1234/part-00002-B
-rw-r--r--   3 test test         22 2011-05-20 09:56 /usr/test_1234/part-00002-C