hadoop stream 参数详解

原文地址：Hadoop streaming作者：tivoli_chen

1 Hadoop streaming

[html] view plain copy

1. Hadoop streaming是和hadoop一起发布的实用程序。它允许用户创建和执行使用任何程序或者脚本编写的map或者reduce的mapreducejobs。譬如，  
2.   
3. $HADOOP_HOME/bin/hadoop jar $HADOOP_HOME/hadoop-streaming.jar  
4.   
5. -input myInputDirs  
6.   
7. -output myOutputDir  
8.   
9. -mapper /bin/cat  
10.   
11. -reducer /bin/wc  

2hadoop straming工作方式

[html] view plain copy

1. 在上面的例子中，mapper和reducer都是可执行程序，mapper的输入是读取stdin，reducer的输出是输出到stdout。Hadoopstreaming可以创建mapreduce任务，提交任务到正确的cluster，监控任务的执行过程直到任务完成。  
2.   
3. 当mapper定义为可执行程序时，每个mapper task初始化都会独立启动该进程。Mappertask运行时，将输入的文件转换成行来处理，然后传入到stdin；同时，将输出处理为key-value，作为mapper的输出；默认情况下，每行数据第一个tab前面的数据是key，剩下的作为value。如果某行数据中没有tab，则将整行数据作为key，value值为null。然而，这些也可以自定义处理。  
4.   
5. 当reducer定义为可执行程序时，每个reducer task初始化都会独立启动该进程。Reducertask运行时，将输入的key-value数据转换成行数据，作为reducer的输入。同时，reducer收集行数据，将行数据转换成key-value形式输出。默认情况下，每行数据第一个tab前面的数据是key，剩下的作为value。然而，这些也可以自定义处理。  
6.   
7. 这是mapreduce框架和hadoop streaming之间的基本通信协议。  
8.   
9. 用户也可以定义java类作为mapper和reducer，例如，  
10.   
11. $HADOOP_HOME/bin/hadoop jar $HADOOP_HOME/hadoop-streaming.jar  
12.   
13. -input myInputDirs  
14.   
15. -output myOutputDir  
16.   
17. -mapper org.apache.hadoop.mapred.lib.IdentityMapper  
18.   
19. -reducer /bin/wc  
20.   
21. 用户可以定义stream.non.zero.exit.is.failure的值为true或者false来表示streaming任务是成功还是失败退出。  

3Job提交设置file选项

[html] view plain copy

1. 用户可以定义任何程序作为mapper或者reducer。这些可执行程序不需要预先存放在集群的机器上。如果不能，可以通过-file选项来设置程序，提交给job。例如，  
2.   
3. $HADOOP_HOME/bin/hadoop jar $HADOOP_HOME/hadoop-streaming.jar  
4.   
5. -input myInputDirs  
6.   
7. -output myOutputDir  
8.   
9. -mapper myPythonScript.py  
10.   
11. -reducer /bin/wc  
12.   
13. -file myPythonScript.py  
14.   
15. 该例子将python可执行程序作为mapper。选项-filemyPythonScript.py导致python脚本作为job提交的一部分被传送到集群的机器上。除了可执行程序文件，用户也可以打包一些其他的可能被mapper或者reducer使用的文件。例如，  
16.   
17. $HADOOP_HOME/bin/hadoop jar $HADOOP_HOME/hadoop-streaming.jar  
18.   
19. -input myInputDirs  
20.   
21. -output myOutputDir  
22.   
23. -mapper myPythonScript.py  
24.   
25. -reducer /bin/wc  
26.   
27. -file myPythonScript.py  
28.   
29. -file myDictionary.txt  

4streaming选项和用法

4.1只有mapper的job

[html] view plain copy

1. 有时候，用户仅仅需要通过mapper函数对输入数据进行处理。要做到这些，可以设置mapred.reduce.tasks=0。这样，mapreduce框架就不会创建reducetask。并且，mapper的输出就是job的最终输出。为了支持向下兼容，hadoop streaming也支持选项-reduceNONE，等价于-D mapred.reduce.tasks=0。  

4.2定义jobs的其他选项

[html] view plain copy

1. 作为一个正常的mapreduce job，用户可以定义hadoop streaming job的其他选项，  
2.   
3. -inputformat JavaClassName  
4.   
5. -outputformat JavaClassName  
6.   
7. -partitioner JavaClassName  
8.   
9. -combiner JavaClassName  
10.   
11. 设置input format的类应该返回text类的key-value键值对。如果没有设置inputformat类，默认的是TextInputFormat。TextInputFormat返回LongWritable类的keys，它并不是输入数据的一部分，keys可能被舍弃；只有values被传送到streamingmapper中。设置output format的类应该是text类的key-value键值对。如果没有定义outputformat类，默认的是TextOutputFormat。  

4.3 hadoop streaming中的大文件和文件档案

[html] view plain copy

1. -files 和–archives选项允许用户设置task的文件和文件档案。参数是已经在hdfs上的文件和文件档案的URI。这些文件和文件档案在job中缓存。用户可以从fs.default.name配置变量中获取host和fs_port的值。例如，-files选项，  
2.   
3. -files hdfs://host:fs_port/user/testfile.txt#testlink  
4.   
5. 在这个例子中，url中#后面的部分是当前工作任务路径的符号链接。因此，这些任务拥有指向本地文件的符号链接。多个输入可以作如下设置，  
6.   
7. -files hdfs://host:fs_port/user/testfile1.txt#testlink1  
8.   
9. -files hdfs://host:fs_port/user/testfile2.txt#testlink2  
10.   
11. -archives选项允许用户复制jar包到当前任务的工作路径，并且自动解压jar包。例如，  
12.   
13. -archives hdfs://host:fs_port/user/testfile.jar#testlink3  
14.   
15. 在这个例子中，符号链接testlink3创建在当前任务的工作路径中。符号链接指向存放解压jar包的文件路径。  
16.   
17. -archives选项的另外一些例子，input.txt文件有两行数据，定义两个文件的名称，testlink/cache.txt和testlink/cache2.txt。testlink指向文件目录的符号链接，拥有两个文件cache.txt 和cache2.txt。  
18.   
19. $HADOOP_HOME/bin/hadoop jar $HADOOP_HOME/hadoop-streaming.jar  
20.   
21. -input"/user/me/samples/cachefile/input.txt"  
22.   
23. -mapper "xargs cat"  
24.   
25. -reducer "cat"  
26.   
27. -output"/user/me/samples/cachefile/out"  
28.   
29. -archives  
30.   
31. 'hdfs://hadoop-nn1.example.com/user/me/samples/cachefile/cachedir.jar#testlink'  
32.   
33. -D mapred.map.tasks=1  
34.   
35. -D mapred.reduce.tasks=1  
36.   
37. -Dmapred.job.name="Experiment"  
38.   
39. $ ls test_jar/  
40.   
41. cache.txt cache2.txt  
42.   
43. $ jar cvf cachedir.jar -C test_jar/ .  
44.   
45. added manifest  
46.   
47. adding: cache.txt(in = 30) (out= 29)(deflated 3%)  
48.   
49. adding: cache2.txt(in = 37) (out= 35)(deflated 5%)  
50.   
51. $ hadoop dfs -put cachedir.jar samples/cachefile  
52.   
53. $ hadoop dfs -cat /user/me/samples/cachefile/input.txt  
54.   
55. testlink/cache.txt  
56.   
57. testlink/cache2.txt  
58.   
59. $ cat test_jar/cache.txt  
60.   
61. This is just the cache string  
62.   
63. $ cat test_jar/cache2.txt  
64.   
65. This is just the second cache string  
66.   
67. $ hadoop dfs -ls /user/me/samples/cachefile/out  
68.   
69. Found 1 items  
70.   
71. /user/me/samples/cachefile/out/part-00000 <r3> 69  
72.   
73. $ hadoop dfs -cat /user/me/samples/cachefile/out/part-00000  
74.   
75. This is just the cache string  
76.   
77. This is just the second cache string  

4.4为jobs定义其他的配置变量

[html] view plain copy

1. 用户可以使用-D<n>=<v>定义其他配置变量。例如，  
2.   
3. $HADOOP_HOME/bin/hadoop jar $HADOOP_HOME/hadoop-streaming.jar  
4.   
5. -input myInputDirs  
6.   
7. -output myOutputDir  
8.   
9. -mapper org.apache.hadoop.mapred.lib.IdentityMapper  
10.   
11. -reducer /bin/wc  
12.   
13. -D mapred.reduce.tasks=2  
14.   
15. 选项-D mapred.reduce.tasks=2定义job的reducer为2。  

4.5其他支持的选项

Streaming支持hadoop常用命令行选项。支持的参数主要有下面这些：

bin/hadoop command [genericOptions] [commandOptions]

[html] view plain copy

1. 改变本地临时文件夹  
2.   
3. -D dfs.data.dir=/tmp  
4.   
5. 定义其他本地临时文件夹  
6.   
7. -D mapred.local.dir=/tmp/local  
8.   
9. -D mapred.system.dir=/tmp/system  
10.   
11. -D mapred.temp.dir=/tmp/temp  
12.   
13. 在streaming命令中设置环境变量  
14.   
15. -cmdenv EXAMPLE_DIR=/home/example/dictionaries/  

5更多的用法实例

5.1自定义将行数据划分为key-value键值对

[html] view plain copy

1. 当mapreduce框架从mapper的stdout中读取每行数据时，它将每行数据划分为key-value键值对。默认情况下，每行数据的第一个tab前的数据是key，剩下的是value（除去tab）。  
2.   
3. 然而，用户可以自定义该默认设置。用户可以自定义分隔符（除了默认的tab），并且用户也可以定义第n个字符作为kae-value的分隔符。例如，  
4.   
5. $HADOOP_HOME/bin/hadoop jar $HADOOP_HOME/hadoop-streaming.jar  
6.   
7. -input myInputDirs  
8.   
9. -output myOutputDir  
10.   
11. -mapper org.apache.hadoop.mapred.lib.IdentityMapper  
12.   
13. -reducer org.apache.hadoop.mapred.lib.IdentityReducer  
14.   
15. -D stream.map.output.field.separator=.  
16.   
17. -D stream.num.map.output.key.fields=4  
18.   
19. 选项-D stream.map.output.field.separator=.定义mapoutput字段的分隔符为.。第四个.前面的是key，后面的是value。如果该行.的个数少于四个，则整行数据就是key，value是空。  
20.   
21. 同样，也可以设置选项-Dstream.reduce.output.field.separator=SEP和-Dstream.num.reduce.output.fields=NUM来设置reduce输出的key-value。  

5.2有用的Partitioner类

[html] view plain copy

1. Hadoop拥有类KeyFieldBasedPartitioner，对很多应用程序有用。该类在某些key字段的基础上允许mapreduce框架划分map的输出。例如，  
2.   
3. $HADOOP_HOME/bin/hadoop jar $HADOOP_HOME/hadoop-streaming.jar  
4.   
5. -input myInputDirs  
6.   
7. -output myOutputDir  
8.   
9. -mapper org.apache.hadoop.mapred.lib.IdentityMapper  
10.   
11. -reducer org.apache.hadoop.mapred.lib.IdentityReducer  
12.   
13. -partitionerorg.apache.hadoop.mapred.lib.KeyFieldBasedPartitioner  
14.   
15. -D stream.map.output.field.separator=.  
16.   
17. -D stream.num.map.output.key.fields=4  
18.   
19. -D map.output.key.field.separator=.  
20.   
21. -D mapred.text.key.partitioner.options=-k1,2   

[sql] view plain copy

1. 附注：-k1,2 指定对key进行划分后第1 2个域进行划分（上述解释没有找到相关文档，也不属于原文）  

[html] view plain copy

1. -D mapred.reduce.tasks=12  
2.   
3. 例如，  
4.   
5. Output输出（keys）  
6.   
7. 11.12.1.2  
8.   
9. 11.14.2.3  
10.   
11. 11.11.4.1  
12.   
13. 11.12.1.1  
14.   
15. 11.14.2.2  
16.   
17. 划分到3个reducer（前面2个字段作为partition的keys）  
18.   
19. 11.11.4.1  
20.   
21. -----------  
22.   
23. 11.12.1.2  
24.   
25. 11.12.1.1  
26.   
27. -----------  
28.   
29. 11.14.2.3  
30.   
31. 11.14.2.2  
32.   
33. Reducer的每个划分内排序（4个字段同时用于排序）  
34.   
35. 11.11.4.1  
36.   
37. -----------  
38.   
39. 11.12.1.1  
40.   
41. 11.12.1.2  
42.   
43. -----------  
44.   
45. 11.14.2.2  
46.   
47. 11.14.2.3  

5.3Comparator类

[html] view plain copy

1. Hadoop拥有类KeyFieldBasedComparator，在很多程序中得到应用。例如，  
2.   
3. $HADOOP_HOME/bin/hadoop jar $HADOOP_HOME/hadoop-streaming.jar  
4.   
5. -input myInputDirs  
6.   
7. -output myOutputDir  
8.   
9. -mapper org.apache.hadoop.mapred.lib.IdentityMapper  
10.   
11. -reducer org.apache.hadoop.mapred.lib.IdentityReducer  
12.   
13. -D  
14.   
15. mapred.output.key.comparator.class=org.apache.hadoop.mapred.lib.KeyFieldBasedComparator  
16.   
17. -D stream.map.output.field.separator=.  
18.   
19. -D stream.num.map.output.key.fields=4  
20.   
21. -D map.output.key.field.separator=.  
22.   
23. -D mapred.text.key.comparator.options=-k2,2nr  

附注：-k2,2nr 中-k2,2指定key分割后的第2个域进行排序，n 指定使用数字排序，r指定排序结果最后要进行反转

[html] view plain copy

1. -D mapred.reduce.tasks=12  
2.   
3. Map输出（keys）  
4.   
5. 11.12.1.2  
6.   
7. 11.14.2.3  
8.   
9. 11.11.4.1  
10.   
11. 11.12.1.1  
12.   
13. 11.14.2.2  
14.   
15. Reducer的输出（使用第二个字段进行排序）  
16.   
17. 11.14.2.3  
18.   
19. 11.14.2.2  
20.   
21. 11.12.1.2  
22.   
23. 11.12.1.1  
24.   
25. 11.11.4.1  

5.4Hadoop Aggregate包（-reduce aggregate选项）

[html] view plain copy

1. -D mapred.reduce.tasks=12  
2.   
3. Python文件AggregatorForKeyCount.py  
4.   
5. #!/usr/bin/python  
6.   
7. import sys;  
8.   
9. def generateLongCountToken(id):  
10.         return "LongValueSum:" + id +"t" +"1"  
11.   
12. def main(argv):  
13.         line = sys.stdin.readline();  
14.         try:  
15.                 while line:  
16.                         line = line[:-1];  
17.                         fields = line.split("t");  
18.                         print generateLongCountToken(fields[0]);  
19.                         line = sys.stdin.readline();  
20.         except "end of file":  
21.                 return None  
22.   
23. if __name__ == "__main__":  
24.         main(sys.argv)  

5.5字段选择

[html] view plain copy

1. Hadoop有类org.apache.hadoop.mapred.lib.FieldSelectionMapReduce。该类允许用户像unix工具中的cut命令来处理文本数据。该类中的Map函数将每个输入的键值对作为字段列表，用户可以自定义字段分隔符。用户可以选择字段列表作为map的输出的key，其他的字段列表作为map的输出的value。Reduce函数与此类似。  
2.   
3. $HADOOP_HOME/bin/hadoop jar $HADOOP_HOME/hadoop-streaming.jar  
4.   
5. -input myInputDirs  
6.   
7. -output myOutputDir  
8.   
9. -mapperorg.apache.hadoop.mapred.lib.FieldSelectionMapReduce  
10.   
11. -reducerorg.apache.hadoop.mapred.lib.FieldSelectionMapReduce  
12.   
13. -partitionerorg.apache.hadoop.mapred.lib.KeyFieldBasedPartitioner  
14.   
15. -D map.output.key.field.separa=.  
16.   
17. -D mapred.text.key.partitioner.options=-k1,2  
18.   
19. -D mapred.data.field.separator=.  
20.   
21. -D map.output.key.value.fields.spec=6,5,1-3:0-  
22.   
23. -D reduce.output.key.value.fields.spec=0-2:5-  
24.   
25. -D mapred.reduce.tasks=12  

5.6 mapred尝试任务失败次数控制及map任务失败率控制

[html] view plain copy

1. -D mapred.map.max.attempts="3" \                                                                                    
2. -D mapred.reduce.max.attempts="3" \                                                                                 
3. -D mapred.max.map.failures.percent="1" \  设置map任务失败率容忍率  

5.7 mapred限制java读取数据行的最大长度（防止mapred程序执行时进度停滞且报heatbeat错误）：

[html] view plain copy

1. -D  mapred.linerecordreader.maxlength = 409600