Hadoop streaming详解

Hadoop streaming

Hadoop为MapReduce提供了不同的API，可以方便我们使用不同的编程语言来使用MapReduce框架，而不是只局限于Java。这里要介绍的就是Hadoop streaming API。Hadoop streaming 使用Unix的standard streams作为我们mapreduce程序和MapReduce框架之间的接口。所以你可以用任何语言来编写MapReduce程序，只要该语言可以往standard input/output上进行读写。
streamming是天然适用于文字处理的（text processing），当然，也仅适用纯文本的处理，对于需要对象和序列化的场景，hadoop streaming无能为力。它力图使我们能够快捷的通过各种脚本语言，快速的处理大量的文本文件。以下是steaming的一些特点：

• Map函数的输入是通过stand input一行一行的接收数据的。（不像Java API，通过InputFormat类做预处理，使得Map函数的输入是有Key和value的）
• Map函数的output则必须限定为key-value pair，key和value之间用\t分开。（MapReduce框架在处理intermediate的Map输出时，必须做sort和partition，即shuffle）
• Reduce函数的input是Map函数的output也是key-value pair，key和value之间用\t分开。

常用的Streaming编程语言：

• bash shell
• ruby
• python

Ruby

下面是一个Ruby编写的MapReduce程序的示例：

map

max_temperature_map.rb：

 #!/usr/bin/env ruby STDIN.each_line do |line|val = lineyear, temp, q = val[15,4], val[87,5], val[92,1]puts "#{year}\t#{temp}" if (temp != "+9999" && q =~ /[01459]/)end

• 从标准输入读入一行data。
• 处理数据之后，生成一个键值对，用\t分隔，输出到标准输出

reduce

max_temperature_reduce.rb：

 #!/usr/bin/env rubylast_key, max_val = nil, -1000000STDIN.each_line do |line|key, val = line.split("\t")if last_key && last_key != keyputs "#{last_key}\t#{max_val}"last_key, max_val = key, val.to_ielselast_key, max_val = key, [max_val, val.to_i].maxendendputs "#{last_key}\t#{max_val}" if last_key

• 从标准输入读入一行数据
• 数据是用\t分隔的键值对
• 数据是被MapReduce根据key排序之后顺序一行一行读入
• reduce函数对数据进行处理，并输出，输出仍是用\t分隔的键值对

运行

% hadoop jar $HADOOP_INSTALL/contrib/streaming/hadoop-*-streaming.jar \-input input/ncdc/sample.txt \-output output \-mapper ch02/src/main/ruby/max_temperature_map.rb \-reducer ch02/src/main/ruby/max_temperature_reduce.rb

• hadoop jar $HADOOP_INSTALL/contrib/streaming/hadoop-*-streaming.jar指明了使用hadoop streaming
• hadoop-*-streaming.jar会将input里的文件，一行一行的输出到标准输出。
• 用-mapper指定Map函数。类似于通过管道将数据传给rb文件： data|ch02/src/main/ruby/max_temperature_map.rb
• -reducer指定Reduce函数。

Python

Map

#!/usr/bin/env pythonimport reimport sysfor line in sys.stdin:val = line.strip()(year, temp, q) = (val[15:19], val[87:92], val[92:93])if (temp != "+9999" and re.match("[01459]", q)):print "%s\t%s" % (year, temp)

Reduce

#!/usr/bin/env pythonimport sys(last_key, max_val) = (None, -sys.maxint)for line in sys.stdin:(key, val) = line.strip().split("\t")if last_key and last_key != key:print "%s\t%s" % (last_key, max_val)(last_key, max_val) = (key, int(val))else:(last_key, max_val) = (key, max(max_val, int(val)))if last_key:print "%s\t%s" % (last_key, max_val)

运行

% hadoop jar $HADOOP_INSTALL/contrib/streaming/hadoop-*-streaming.jar \-input input/ncdc/sample.txt \-output output \-mapper ch02/src/main/ruby/max_temperature_map.py\-reducer ch02/src/main/ruby/max_temperature_reduce.py

Bash shell

Map

#!/usr/bin/env bash# NLineInputFormat gives a single line: key is offset, value is S3 URIread offset s3file# Retrieve file from S3 to local diskecho "reporter:status:Retrieving $s3file" >&2$HADOOP_INSTALL/bin/hadoop fs -get $s3file .# Un-bzip and un-tar the local filetarget=`basename $s3file .tar.bz2`mkdir -p $targetecho "reporter:status:Un-tarring $s3file to $target" >&2tar jxf `basename $s3file` -C $target# Un-gzip each station file and concat into one fileecho "reporter:status:Un-gzipping $target" >&2for file in $target/*/*dogunzip -c $file >> $target.allecho "reporter:status:Processed $file" >&2done# Put gzipped version into HDFSecho "reporter:status:Gzipping $target and putting in HDFS" >&2gzip -c $target.all | $HADOOP_INSTALL/bin/hadoop fs -put - gz/$target.gz

运行

% hadoop jar $HADOOP_INSTALL/contrib/streaming/hadoop-*-streaming.jar \-D mapred.reduce.tasks=0 \-D mapred.map.tasks.speculative.execution=false \-D mapred.task.timeout=12000000 \-input ncdc_files.txt \-inputformat org.apache.hadoop.mapred.lib.NLineInputFormat \-output output \-mapper load_ncdc_map.sh \-file load_ncdc_map.sh

• 这里的-D mapred.reduce.tasks=0将reduce task观掉，因此也不需要设置-reducer
• 只使用Mapper，可以通过MapReduce帮助我们并行的完成一些平时只能串行的shell脚本
• 注意这里的-file，在集群模式下，需要并行运行时，需要-file把文件传输到其他节点

Combiner

在streaming模式下，仍然可以运行Combiner，两种方法：

1. 通过Java编写一个combiner的函数，并使用-combiner option
2. 以命令行的管道模式完成combiner的任务

这里具体解释第二种方法：

% hadoop jar $HADOOP_INSTALL/contrib/streaming/hadoop-*-streaming.jar \-input input/ncdc/all \-output output \-mapper "ch02/src/main/ruby/max_temperature_map.rb | sort |ch02/src/main/ruby/max_temperature_reduce.rb" \-reducer ch02/src/main/ruby/max_temperature_reduce.rb \-file ch02/src/main/ruby/max_temperature_map.rb \-file ch02/src/main/ruby/max_temperature_reduce.rb

注意看-mapper这一行，通关管道的方式，把mapper的临时输出文件（intermediate file，Map完成后的临时文件）作为输入，送到sort进行排序，然后送到reduce脚本，来完成类似于combiner的工作。这时候的输出才真正的作为shuffle的输入，被分组并在网络上发送到Reduce