董的博客 ? Hadoop Streaming 編程
http://dongxicheng.org/mapreduce/hadoop-streaming-programming/
1、概述
Hadoop Streaming是Hadoop提供的一個(gè)編程工具，它允許用戶使用任何可執(zhí)行文件或者腳本文件作為Mapper和Reducer，例如：
采用shell腳本語言中的一些命令作為mapper和reducer（cat作為mapper，wc作為reducer）
$HADOOP_HOME/bin/hadoop jar $HADOOP_HOME/contrib/streaming/hadoop--streaming.jar
-input myInputDirs
-output myOutputDir
-mapper cat
-reducer wc
本文安排如下，第二節(jié)介紹Hadoop Streaming的原理，第三節(jié)介紹Hadoop Streaming的使用方法，第四節(jié)介紹Hadoop Streaming的程序編寫方法，在這一節(jié)中，用C++、C、shell腳本 和python實(shí)現(xiàn)了WordCount作業(yè)，第五節(jié)總結(jié)了常見的問題。文章最后給出了程序下載地址。(本文內(nèi)容基于Hadoop-0.20.2版本)
(注：如果你采用的語言為C或者C++，也可以使用Hadoop Pipes，具體可參考這篇文章：Hadoop Pipes編程。)
關(guān)于Hadoop Streaming高級(jí)編程方法，可參考這篇文章：Hadoop Streaming高級(jí)編程，Hadoop編程實(shí)例。
2、Hadoop Streaming原理
mapper和reducer會(huì)從標(biāo)準(zhǔn)輸入中讀取用戶數(shù)據(jù)，一行一行處理后發(fā)送給標(biāo)準(zhǔn)輸出。Streaming工具會(huì)創(chuàng)建MapReduce作業(yè)，發(fā)送給各個(gè)tasktracker，同時(shí)監(jiān)控整個(gè)作業(yè)的執(zhí)行過程。
如果一個(gè)文件（可執(zhí)行或者腳本）作為mapper，mapper初始化時(shí)，每一個(gè)mapper任務(wù)會(huì)把該文件作為一個(gè)單獨(dú)進(jìn)程啟動(dòng)，mapper任務(wù)運(yùn)行時(shí)，它把輸入切分成行并把每一行提供給可執(zhí)行文件進(jìn)程的標(biāo)準(zhǔn)輸入。 同時(shí)，mapper收集可執(zhí)行文件進(jìn)程標(biāo)準(zhǔn)輸出的內(nèi)容，并把收到的每一行內(nèi)容轉(zhuǎn)化成key/value對，作為mapper的輸出。 默認(rèn)情況下，一行中第一個(gè)tab之前的部分作為key，之后的（不包括tab）作為value****。如果沒有tab，整行作為key值，value值為null。
對于reducer，類似。
以上是Map/Reduce框架和streaming mapper/reducer之間的基本通信協(xié)議。
3、Hadoop Streaming用法
Usage: $HADOOP_HOME/bin/hadoop jar
$HADOOP_HOME/contrib/streaming/hadoop--streaming.jar [options]
options：
（1）-input：輸入文件路徑
（2）-output：輸出文件路徑
（3）-mapper：用戶自己寫的mapper程序，可以是可執(zhí)行文件或者腳本
（4）-reducer：用戶自己寫的reducer程序，可以是可執(zhí)行文件或者腳本
（5）-file：打包文件到提交的作業(yè)中，可以是mapper或者reducer要用的輸入文件，如配置文件，字典等。
（6）-partitioner：用戶自定義的partitioner程序
（7）-combiner：用戶自定義的combiner程序（必須用java實(shí)現(xiàn)）
（8）-D：作業(yè)的一些屬性（以前用的是-jonconf），具體有：1）mapred.map.tasks：map task數(shù)目2）mapred.reduce.tasks：reduce task數(shù)目3）stream.map.input.field.separator/stream.map.output.field.separator： map task輸入/輸出數(shù)據(jù)的分隔符,默認(rèn)均為\t。4）stream.num.map.output.key.fields：指定map task輸出記錄中key所占的域數(shù)目5）stream.reduce.input.field.separator/stream.reduce.output.field.separator：reduce task輸入/輸出數(shù)據(jù)的分隔符，默認(rèn)均為\t。6）stream.num.reduce.output.key.fields：指定reduce task輸出記錄中key所占的域數(shù)目另外，Hadoop本身還自帶一些好用的Mapper和Reducer：（1） Hadoop聚集功能Aggregate提供一個(gè)特殊的reducer類和一個(gè)特殊的combiner類，并且有一系列的“聚合器”（例如“sum”，“max”，“min”等）用于聚合一組value的序列。用戶可以使用Aggregate定義一個(gè)mapper插件類，這個(gè)類用于為mapper輸入的每個(gè)key/value對產(chǎn)生“可聚合項(xiàng)”。Combiner/reducer利用適當(dāng)?shù)木酆掀骶酆线@些可聚合項(xiàng)。要使用Aggregate，只需指定“-reducer aggregate”。（2）字段的選?。愃朴赨nix中的‘cut’）Hadoop的工具類org.apache.hadoop.mapred.lib.FieldSelectionMapReduc幫助用戶高效處理文本數(shù)據(jù)，就像unix中的“cut”工具。工具類中的map函數(shù)把輸入的key/value對看作字段的列表。 用戶可以指定字段的分隔符（默認(rèn)是tab），可以選擇字段列表中任意一段（由列表中一個(gè)或多個(gè)字段組成）作為map輸出的key或者value。 同樣，工具類中的reduce函數(shù)也把輸入的key/value對看作字段的列表，用戶可以選取任意一段作為reduce輸出的key或value。
4、Mapper和Reducer實(shí)現(xiàn)
本節(jié)試圖用盡可能多的語言編寫Mapper和Reducer，包括Java，C，C++，Shell腳本，python等（初學(xué)者運(yùn)行第一個(gè)程序時(shí)，務(wù)必要閱讀第5部分 “常見問題及解決方案”?。。?！）。
由于Hadoop會(huì)自動(dòng)解析數(shù)據(jù)文件到Mapper或者Reducer的標(biāo)準(zhǔn)輸入中，以供它們讀取使用，所有應(yīng)先了解各個(gè)語言獲取標(biāo)準(zhǔn)輸入的方法。
（1） Java語言：
見Hadoop自帶例子
（2） ** C++語言**：
1
2
3
4
5
string key;
while
(cin>>key){
cin>>value;
….
}
（3） C語言：
1
2
3
4
5
char
buffer[BUF_SIZE];
while
(
fgets
(buffer, BUF_SIZE - 1, stdin)){
int
len =
strlen
(buffer);
…
}
（4） Shell腳本
管道
（5） ** Python腳本**
1
2
3
import
sys
for
line
in
sys.stdin:
.......
為了說明各種語言編寫Hadoop Streaming程序的方法，下面以WordCount為例，WordCount作業(yè)的主要功能是對用戶輸入的數(shù)據(jù)中所有字符串進(jìn)行計(jì)數(shù)。
（1）C語言實(shí)現(xiàn)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
//mapper
include <stdio.h>
include <string.h>
include <stdlib.h>
define BUF_SIZE 2048
define DELIM "\n"
int
main(
int
argc,
char
*argv[]){
char
buffer[BUF_SIZE];
while
(
fgets
(buffer, BUF_SIZE - 1, stdin)){
int
len =
strlen
(buffer);
if
(buffer[len-1] ==
'\n'
)
buffer[len-1] = 0;
char
*querys = index(buffer,
' '
);
char
*query = NULL;
if
(querys == NULL)
continue
;
querys += 1;
/* not to include '\t' */
query =
strtok
(buffer,
" "
);
while
(query){
printf
(
"%s\t1\n"
, query);
query =
strtok
(NULL,
" "
);
}
}
return
0;
}
//---------------------------------------------------------------------------------------
//reducer
include <stdio.h>
include <string.h>
include <stdlib.h>
define BUFFER_SIZE 1024
define DELIM "\t"
int
main(
int
argc,
char
*argv[]){
char
strLastKey[BUFFER_SIZE];
char
strLine[BUFFER_SIZE];
int
count = 0;
*strLastKey =
'\0'
;
*strLine =
'\0'
;
while
(
fgets
(strLine, BUFFER_SIZE - 1, stdin) ){
char
*strCurrKey = NULL;
char
*strCurrNum = NULL;
strCurrKey =
strtok
(strLine, DELIM);
strCurrNum =
strtok
(NULL, DELIM);
/* necessary to check error but.... */
if
( strLastKey[0] ==
'\0'
){
strcpy
(strLastKey, strCurrKey);
}
if
(
strcmp
(strCurrKey, strLastKey)) {
printf
(
"%s\t%d\n"
, strLastKey, count);
count =
atoi
(strCurrNum);
}
else
{
count +=
atoi
(strCurrNum);
}
strcpy
(strLastKey, strCurrKey);
}
printf
(
"%s\t%d\n"
, strLastKey, count);
/* flush the count */
return
0;
}
（2）C++語言實(shí)現(xiàn)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
//mapper
include <stdio.h>
include <string>
include <iostream>
using
namespace
std;
int
main(){
string key;
string value =
"1"
;
while
(cin>>key){
cout<<key<<
"\t"
<<value<<endl;
}
return
0;
}
//------------------------------------------------------------------------------------------------------------
//reducer
include <string>
include <map>
include <iostream>
include <iterator>
using
namespace
std;
int
main(){
string key;
string value;
map<string,
int
word2count;
map<string,
int
::iterator it;
while
(cin>>key){
cin>>value;
it = word2count.find(key);
if
(it != word2count.end()){
(it->second)++;
}
else
{
word2count.insert(make_pair(key, 1));
}
}
for
(it = word2count.begin(); it != word2count.end(); ++it){
cout<<it->first<<
"\t"
<<it->second<<endl;
}
return
0;
}
（3）shell腳本語言實(shí)現(xiàn)****簡約版，每行一個(gè)單詞：
1
2
3
4
5
$HADOOP_HOME
/bin/hadoop
jar $HADOOP_HOME
/hadoop-streaming
.jar \
-input myInputDirs \
-output myOutputDir \
-mapper
cat
\
-reducer
wc
詳細(xì)版，每行可有多個(gè)單詞（由史江明編寫）： mapper.sh
1
2
3
4
5
6
7
! /bin/bash
while
read
LINE;
do
for
word
in
$LINE
do
echo
"$word 1"
done
done
reducer.sh
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
! /bin/bash
count=0
started=0
word=
""
while
read
LINE;
do
newword=echo $LINE | cut -d ' ' -f 1
if
[
"$word"
!=
"$newword"
];
then
[ $started -
ne
0 ] &&
echo
"$word\t$count"
word=$newword
count=1
started=1
else
count=$(( $count + 1 ))
fi
done
echo
"$word\t$count"
（4）Python腳本語言實(shí)現(xiàn)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
!/usr/bin/env python
import
sys
maps words to their counts
word2count
{}
input comes from STDIN (standard input)
for
line
in
sys.stdin:
remove leading and trailing whitespace
line
line.strip()
split the line into words while removing any empty strings
words
filter
(
lambda
word: word, line.split())
increase counters
for
word
in
words:
write the results to STDOUT (standard output);
what we output here will be the input for the
Reduce step, i.e. the input for reducer.py
tab-delimited; the trivial word count is 1
print
'%s\t%s'
%
(word,
1
)
---------------------------------------------------------------------------------------------------------
!/usr/bin/env python
from
operator
import
itemgetter
import
sys
maps words to their counts
word2count
{}
input comes from STDIN
for
line
in
sys.stdin:
remove leading and trailing whitespace
line
line.strip()
parse the input we got from mapper.py
word, count
line.split()
convert count (currently a string) to int
try
:
count
int
(count)
word2count[word]
word2count.get(word,
0
)
count
except
ValueError:
count was not a number, so silently
ignore/discard this line
pass
sort the words lexigraphically;
this step is NOT required, we just do it so that our
final output will look more like the official Hadoop
word count examples
sorted_word2count
sorted
(word2count.items(), key
=
itemgetter(
0
))
write the results to STDOUT (standard output)
for
word, count
in
sorted_word2count:
print
'%s\t%s'
%
(word, count)
5、常見問題及解決方案
（1）作業(yè)總是運(yùn)行失敗，
提示找不多執(zhí)行程序， 比如“Caused by: java.io.IOException: Cannot run program “/user/hadoop/Mapper”: error=2, No such file or directory”：
可在提交作業(yè)時(shí)，采用-file選項(xiàng)指定這些文件， 比如上面例子中，可以使用“-file Mapper -file Reducer” 或者 “-file Mapper.py -file Reducer.py”， 這樣，Hadoop會(huì)將這兩個(gè)文件自動(dòng)分發(fā)到各個(gè)節(jié)點(diǎn)上，比如：
$HADOOP_HOME/bin/hadoop jar $HADOOP_HOME/contrib/streaming/hadoop-*-streaming.jar
-input myInputDirs
-output myOutputDir
-mapper Mapper.py
-reducer Reducerr.py
-file Mapper.py
-file Reducer.py
（2）用腳本編寫時(shí)，第一行需注明腳本解釋器，默認(rèn)是shell （3）如何對Hadoop Streaming程序進(jìn)行測試？ Hadoop Streaming程序的一個(gè)優(yōu)點(diǎn)是易于測試，比如在Wordcount例子中，可以運(yùn)行以下命令在本地進(jìn)行測試：
cat input.txt | python Mapper.py | sort | python Reducer.py
或者
cat input.txt | ./Mapper | sort | ./Reducer
6、參考資料
【1】C++&Python實(shí)現(xiàn)Hadoop Streaming的paritioner和模塊化
【2】如何在Hadoop中使用Streaming編寫MapReduce
【3】Hadoop如何與C++結(jié)合
【4】Hadoop Streaming和pipes理解
7、程序打包下載
文章中用到的程序源代碼可在此處下載！
