hadoop streaming 编程

概况

Hadoop Streaming 是一个工具， 代替编写Java的实现类，而利用可执行程序来完成map-reduce过程。
一个最简单的程序

$HADOOP_HOME/bin/hadoop jar $HADOOP_HOME/hadoop-streaming.jar
-input myInputDirs
-output myOutputDir
-mapper /bin/cat
-reducer /bin/wc

各个shell变量，请自行配置

一般MAPPER_FILE和REDUCER_FILE都是shell中调用awk，所以如下的讨论基于awk。

一个完整的map-reduce程序有如下

InputFile --> mappers --> [combiner]-> [partitioner] --> reducers --> outputFiles

其中mapper是必须的，combiner和partitioner，reducer是可选的.
通过如下参数指定map和reduce的数目，reducer的数目可以为0.

-D mapred.map.tasks=64
-D mapred.reduce.tasks=0

下面详细说明

map

map的输入可以是多个文件或多个目录，一般以空格作为文件的分隔。支持通配符（其实是shell自动扩展而成）。
map主要的工作完成输入数据的规整。

一般情况下，我们可以通过目录名来区分多个输入源。在awk中，我们可以通过如下方式来区分源

if(match(ENVIRON["map_input_file"], "billserver") > 0)
{
    #output
}

如上处理path路径中有billserver的日志

combiner

combiner一般可以当做apper之后的本地reducer，最主要的功能是减少网络传输。

可以认为我们在awk中end的部分就是一个本地的reducer。如下map-reduce的功能是统计第一个域出现的个数.

awk ‘{
dict[$1]++;
}
END{for(d in dict) 
  print d,dict[d];
}‘

一般做法可以是 print $1,1，在reducer中再统计，但for相当于将多个$1,1，在本地合并了成了$1,cnt。

下面介绍通过combiner指定排序。

  -D map.output.key.field.separator=:   -D mapred.text.key.comparator.options=-k2,2nr   -D mapred.output.key.comparator.class=org.apache.hadoop.mapred.lib.KeyFieldBasedComparator \

第一个参数指定分隔符
第二个参数类似于sort的参数，指定排序的方式。

其实在awk中，除了combiner，在print的时候，通过管道调用sort命令也是可以完成类似的需求。

print d, dict[d] |"sort -t‘:‘ -k2nr"

partitioner

在一般情况下，map的输出结果需要分发到各个reducer中，partitioner就是控制分发的策略的。默认情况下，按照map结果的第一个域作为key（以\t分隔），某些情况下，我们需要将第一个域的一部分作为key分发到同一个reducer中。
Hadoop 提供了一个非常实用的partitioner类KeyFieldBasedPartitioner，通过配置相应的参数就可以使用。通过KeyFieldBasedPartitioner可以方便地实现二次排序。
使用方法：

-partitioner org.apache.hadoop.mapred.lib.KeyFieldBasedPartitioner

一般配合：

-D map.output.key.field.separator
-D num.key.fields.for.partition

map.output.key.field.separator指定key内部的分隔符
num.key.fields.for.partition 指定对key分出来的前几部分做partition而不是整个key，如果key的个数小于指定的partition数，则key的全部域作为key
举例：
需要统计十年中各个月份温度超过30°的天数，输入是每天每小时的温度数，很明显年和月需要作为key将相同年和月的记录输出到相同的reducer中，此处有两种方式，传统的方式将是单独将年和月作为主key，其它记录冗余输出。用partitioner的方式可以将map的输出为
year:month:map_day
这样map的输出只有一个key，再通过streaming方式提供的两个参数（其它参数暂时缺乏资料）

-D map.output.key.field.separator=: -D num.key.fields.for.partition=2 -partitioner org.apache.hadoop.mapred.lib.KeyFieldBasedPartitioner \

将key的分隔符指定为:,前两个域为主key，将相同年份和月份的记录分发到同一个桶（reducer）中。
这样就无须冗余输出了，对于大量的数据能够加快结果的产生效率。

reduce

reducer 可以有多路输出，但基于非常初级的封装，产生的reduce输出文件为part-xxxxx-X文件，其中X是A-Z的字母之一，使用方法如下
在命令行中启用多路输出

-outputformat org.apache.hadoop.mapred.lib.SuffixMultipleTextOutputFormat
#或
-outputformat org.apache.hadoop.mapred.lib.SuffixMultipleSequenceFileOutputFormat

前者对应于文本输入，后者于二进制输入
在reducer的代码中

printf("%s\t#A",some_str);

取值可以为A-Z，不支持自定义suffix。在output目录下，其生成 part-0000-A 文件
为了可读性，我们一般可以通过命令处理下即可

$HADOOP_PATH fs -mv $OUTPUT/*A $OUTPUT/url
$HADOOP_PATH fs -mv $OUTPUT/*B $OUTPUT/ip

参数传递

有时，我们需要通过参数来增强程序的可配置性。在启动命令中，通过cmdenv配置，如下

-cmdenv top_num=10 -cmdenv field_num=3 \

在程序中通过ENVIRON 数组来引用

awk ‘BEGIN {
    top_num=ENVIRON["top_num"]
} {}

cmdenv的变量作用域在map和reducer中均有效.
注释,在python中通过如下来引用

os.environ[‘name‘]

传递环境变量

HADOOP_HOME      计算节点上配置的Hadoop路径
LD_LIBRARY_PATH  计算节点上加载库文件的路径列表
PWD              当前工作目录
dfs_block_size   当前设置的HDFS文件块大小
map_input_file   mapper正在处理的输入文件路径
mapred_job_id    作业ID
mapred_job_name  作业名
mapred_tip_id    当前任务的第几次重试
mapred_task_id   任务ID
mapred_task_is_map 当前任务是否为map
mapred_output_dir  计算输出路径
mapred_map_tasks   计算的map任务数 
mapred_reduce_tasks计算的reduce任务数

在shell中可以直接引用

#mapper.sh
TASK_ID=$mapred_task_id
PDW=$PWD
BLOCK_SIZE=$dfs_block_size
#环境变量附着到输入数据并输出
while read line
do
  echo "$TASK_ID  $PDW  $BLOCK_SIZE $line" 
done

#reducer.sh:
while read line
do
    echo $line
done

参考
Hadoop Streaming 编程
Python写MapReduce