Hadoop stream使用与调试

Streaming是Hadoop提供的一个可以使用其他编程语言来进行MapReduce来的API，用户可以使用任何可以使用标准输入输出的语言编写mapreduce。特点是开发简便，map和reduce甚至可以使用shell命令实现。
例如:

$HADOOP_HOME/bin/hadoop  jar $HADOOP_HOME/hadoop-streaming.jar \                  -D mapred.map.tasks=1 \                  -D mapred.reduce.tasks=1 \                   -D mapred.job.name="Experiment" \                  -input "input.txt"  \                  -output "out" \                    -mapper "xargs cat"  \                  -reducer "cat"

以下是我实现的优质微博筛选排重mapreduce的实现
map:

#include <iostream>#include <stdio.h>#include <string>using namespace std;int main(int argc, char *argv[]){        string docid, dup;        while(cin >> docid >> dup){                cout << dup << "\t" << docid << endl;        }        return 0;}

reduce：

#include <iostream>#include <stdint.h>using namespace std;int main(int argc, char *argv[]){        string key;        uint64_t value;        string last_key = "";        uint64_t last_value = 0;        while(cin >> key >> value){                if(key == "*"){                        cout << value << "\t" << "A" << endl;                }else if(last_key != "" && last_key != key){                        cout << last_value << "\t" << "A" << endl;                        last_key = key;                        last_value = value;                }else{                        last_key = key;                        last_value = value;                }        }        if(last_key != ""){                cout << value << "\t" << "A" << endl;        }}

执行命令：

cmd="$HADOOP_HOME/bin/hadoop  jar $HADOOP_HOME/hadoop-streaming.jar"cmd=$cmd" -jt host:port"cmd=$cmd" -fs host:port"cmd=$cmd" -input $1"cmd=$cmd" -output $2"cmd=$cmd" -file uniq_map"cmd=$cmd" -file uniq_reduce"cmd=$cmd" -mapper uniq_map"cmd=$cmd" -reducer uniq_reduce"cmd=$cmd" -jobconf mapred.map.tasks.spaculative.execution=false"cmd=$cmd" -jobconf mapred.task.timeout=60000000"cmd=$cmd" -jobconf mapred.job.tracker=local"echo $cmd$cmd >> ./stat.log

其实通过脚本语言实现比C++更为容易。

注意：
-jt和-fs这种通用选项必须写在最前面（Note: Be sure to place the generic options before the streaming options, otherwise the command will fail）
-jobconf mapred.job.tracker=local 指定任务在本地执行方便用户进行调试，input和output都使用hdfs的文件

hadoop stream的调试非常简单且强大，以下是几种调试方式：
1、直接在本地进行调试，例如 cat example.txt | ./uniq_map | sort | uniq_reduce 就可以实现以上程序的调试
2、让HadoopStreaming程序跑在开发机上。（推荐在开发时使用）在jobconf中加上mapred.job.tracker=local。数据的输入和输出都是来自HDFS此时，HadoopStreaming会在本地运行程序
3、保留出错的现场（推荐在跑大数据量时使用）通过设置jobconf参数keep.failed.task.files=true，当程序出错时，可以保留现以供Debug。可以通过GUI查到到具体是在哪个节点运行失败，然后登陆到该节点<local>/taskTracker/<taskid>/work/ ，查看core文件。
4、通过script程序收集信息来调试程序（推荐在开发时使用）编写调试脚本程序，通过脚本，可以把程序执行过程中任何现场都保留下来，比如 Core文件的堆栈信息，这样可以确定程序具体是在什么地方出错。
脚本示例：

core=`find . -name 'core*'`;cp $core /home/admin/gdb -quiet ./a.out -c $core -x ./pipes-default-gdb-commands.txtpipes-default-gdb-commands.txt注明了执行的gdb命令info threadsbacktracequit

（注明：如果要正确执行以上的脚本，必须让程序能输出core文件，可以在程序中加入如下代码段）

struct rlimit limit;limit.rlim_cur = 65535;limit.rlim_max = 65535;if (setrlimit(RLIMIT_CORE, &limit) != 0) {    printf("setrlimit() failed with errno=%s\n", strerror(errno));    exit(1);}

然后在jobconf中，把要执行的script赋给变量”mapred.map.task.debug.script”或”mapred.reduce.task.debug.script”。 这样当HadoopStreaming执行过程发生core dump，就可以通过JobTracker的GUI界面看到GDB的信息了。

在Hadoop上调试HadoopStreaming程序的方法详解 by 道凡