1 Streaming命令
使用下面的命令运行Streaming MapReduce程序:
$HADOOP_HOME/bin/hadoop streaming args
其中args是streaming参数,下面是参数列表:
-input 输入数据路径-output 输出数据路径-mapper mapper可执行程序或Java类-reducer reducer可执行程序或Java类-file Optional分发本地文件-cacheFile Optional分发HDFS文件-cacheArchive Optional分发HDFS压缩文件-numReduceTasks Optionalreduce任务个数-jobconf | -D NAME=VALUE Optional作业配置参数-combiner OptionalCombiner Java类-partitioner OptionalPartitioner Java类-inputformat OptionalInputFormat Java类-outputformat OptionalOutputFormat Java类-inputreader OptionalInputReader配置-cmdenv = Optional传给mapper和reducer的环境变量-mapdebug Optionalmapper失败时运行的debug程序-reducedebug Optionalreducer失败时运行的debug程序-verbose Optional详细输出模式2 命令参数详解
下面是对各个参数的详细说明:
-input :指定作业输入,path可以是文件或者目录,可以使用*通配符,-input选项可以使用多次指定多个文件或目录作为输入。
-output :指定作业输出目录,path必须不存在,而且执行作业的用户必须有创建该目录的权限,-output只能使用一次。
-mapper:指定mapper可执行程序或Java类,必须指定且唯一。
-reducer:指定reducer可执行程序或Java类,必须指定且唯一。
-file, -cacheFile, -cacheArchive:分别用于向计算节点分发本地文件、HDFS文件和HDFS压缩文件
-numReduceTasks:指定reducer的个数,如果设置-numReduceTasks 0或者-reducer NONE则没有reducer程序,mapper的输出直接作为整个作业的输出。
-jobconf | -D NAME=VALUE:指定作业参数,NAME是参数名,VALUE是参数值,可以指定的参数参考hadoop-default.xml。特别建议用-jobconf mapred.job.name=’My Job Name’设置作业名,使用-jobconf mapred.job.priority=VERY_HIGH | HIGH | NORMAL | LOW | VERY_LOW设置作业优先级,使用-jobconf mapred.job.map.capacity=M设置同时最多运行M个map任务,使用-jobconf mapred.job.reduce.capacity=N设置同时最多运行N个reduce任务。常见的作业配置参数如下表所示:
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hadoop.job.ugi作业执行权限mapred.map.tasksmap任务个数mapred.reduce.tasksreduce任务个数mapred.job.groups作业可运行的计算节点分组mapred.task.timeout任务没有响应(输入输出)的最大时间mapred.compress.map.outputmap的输出是否压缩mapred.map.output.compression.codecmap的输出压缩方式mapred.output.compressreduce的输出是否压缩mapred.output.compression.codecreduce的输出压缩方式stream.map.output.field.separatormap输出分隔符 -combiner:指定combiner Java类,对应的Java类文件打包成jar文件后用-file分发。
-partitioner:指定partitioner Java类,Streaming提供了一些实用的partitioner实现
-inputformat, -outputformat:指定inputformat和outputformat Java类,用于读取输入数据和写入输出数据,分别要实现InputFormat和OutputFormat接口。如果不指定,默认使用TextInputFormat和TextOutputFormat。
-cmdenv NAME=VALUE:给mapper和reducer程序传递额外的环境变量,NAME是变量名,VALUE是变量值。
-mapdebug, -reducedebug:分别指定mapper和reducer程序失败时运行的debug程序。
-verbose:指定输出详细信息,例如分发哪些文件,实际作业配置参数值等,可以用于调试。
注意事项
1) mapper或reducer程序尽量输出一些重要的错误日志到标准错误,不要写本地文件,因为程序执行完以后本地文件就会被删除,但是输出到标准错误的日志会被保存,有利于出现问题定位程序问题。但是量不要太大,否则会影响性能。
2) 注意mapper和reducer程序的返回值,Streaming框架默认认为程序返回值为0时用户程序正常,非0时用户程序异常从而导致任务失败,多次任务失败导致作业失败。
3) mapper或reducer程序在遇到从标准输入读到EOF,读标准输入异常,pipe broken异常,写标准输出异常,写标准错误异常时,应该主动退出。
4) mapper或reducer程序可以在当前目录下创建临时文件进行读写,但是不允许向它的上层目录,或者在cacheArchive解压后的目录中创建或写文件。
5) zip压缩包中不能有中文字符的文件名,否则Java解压会出现异常。
如果使用新版本命令格式,命令行中参数要先指定genericOptions如-D,然后指定commandOptions如-mapper