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：
|
1
2
3
4
5
6
7
|
ruby #!/usr/bin/env ruby STDIN.each_line do |line| val = line year, 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：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
ruby #!/usr/bin/env ruby last_key, max_val = nil, -1000000 STDIN.each_line do |line| key, val = line.split("\t") if last_key && last_key != key puts "#{last_key}\t#{max_val}"last_key, max_val = key, val.to_i elselast_key, max_val = key, [max_val, val.to_i].max end end puts "#{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
|
1
2
3
4
5
|
% 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
|
1
2
3
4
5
6
7
8
|
#!/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
|
1
2
3
4
5
6
7
8
9
10
11
12
|
#!/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
|
1
2
3
4
5
|
% 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
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
|
#!/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
|
1
2
3
4
5
6
7
8
9
|
% 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：
- 通过Java编写一个combiner的函数，并使用-combiner option
- 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：
|
1
2
3
4
5
6
7
8
|
% 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
感谢阅读，希望能帮助到大家，谢谢大家对本站的支持！
