摘要:用户自定义的程序用户自定义的程序必须用实现作业的一些属性以前用的是,具体有数目数目输入输出数据的分隔符默认均为。指定输出记录中所占的域数目输入输出数据的分隔符,默认均为。利用适当的聚合器聚合这些可聚合项。
1、概述
Hadoop Streaming是Hadoop提供的一个编程工具,它允许用户使用任何可执行文件或者脚本文件作为Mapper和Reducer,例如:
采用shell脚本语言中的一些命令作为mapper和reducer(cat作为mapper,wc作为reducer)
$HADOOP_HOME/bin/hadoop jar $HADOOP_HOME/hadoop-streaming.jar
-input myInputDirs
-output myOutputDir
-mapper cat
-reducer wc
本文安排如下,第二节介绍Hadoop Streaming的原理,第三节介绍Hadoop Streaming的使用方法,第四节介绍Hadoop Streaming的程序编写方法,在这一节中,用C++、C、shell脚本 和python实现了WordCount作业,第五节总结了常见的问题。文章最后给出了程序下载地址。(本文内容基于Hadoop-0.20.2版本)
(注:如果你采用的语言为C或者C++,也可以使用Hadoop Pipes,具体可参考这篇文章:Hadoop Pipes编程。)
关于Hadoop Streaming高级编程方法,可参考这篇文章:Hadoop Streaming高级编程。
2、Hadoop Streaming原理
mapper和reducer会从标准输入中读取用户数据,一行一行处理后发送给标准输出。Streaming工具会创建MapReduce作业,发送给各个tasktracker,同时监控整个作业的执行过程。
如果一个文件(可执行或者脚本)作为mapper,mapper初始化时,每一个mapper任务会把该文件作为一个多带带进程启动,mapper任务运行时,它把输入切分成行并把每一行提供给可执行文件进程的标准输入。 同时,mapper收集可执行文件进程标准输出的内容,并把收到的每一行内容转化成key/value对,作为mapper的输出。 默认情况下,一行中第一个tab之前的部分作为key,之后的(不包括tab)作为value。如果没有tab,整行作为key值,value值为null。
对于reducer,类似。
以上是Map/Reduce框架和streaming mapper/reducer之间的基本通信协议。
3、Hadoop Streaming用法
Usage: $HADOOP_HOME/bin/hadoop jar
$HADOOP_HOME/hadoop-streaming.jar [options]
options:
(1)-input:输入文件路径
(2)-output:输出文件路径
(3)-mapper:用户自己写的mapper程序,可以是可执行文件或者脚本
(4)-reducer:用户自己写的reducer程序,可以是可执行文件或者脚本
(5)-file:打包文件到提交的作业中,可以是mapper或者reducer要用的输入文件,如配置文件,字典等。
(6)-partitioner:用户自定义的partitioner程序
(7)-combiner:用户自定义的combiner程序(必须用Java实现)
(8)-D:作业的一些属性(以前用的是-jonconf),具体有:
1)mapred.map.tasks:map task数目
2)mapred.reduce.tasks:reduce task数目
3)stream.map.input.field.separator/stream.map.output.field.separator: map task输入/输出数
据的分隔符,默认均为 。
4)stream.num.map.output.key.fields:指定map task输出记录中key所占的域数目
5)stream.reduce.input.field.separator/stream.reduce.output.field.separator:reduce task输入/输出数据的分隔符,默认均为 。
6)stream.num.reduce.output.key.fields:指定reduce task输出记录中key所占的域数目
另外,Hadoop本身还自带一些好用的Mapper和Reducer:
(1) Hadoop聚集功能
Aggregate提供一个特殊的reducer类和一个特殊的combiner类,并且有一系列的“聚合器”(例如“sum”,“max”,“min”等)用于聚合一组value的序列。用户可以使用Aggregate定义一个mapper插件类,这个类用于为mapper输入的每个key/value对产生“可聚合项”。Combiner/reducer利用适当的聚合器聚合这些可聚合项。要使用Aggregate,只需指定“-reducer aggregate”。
(2)字段的选取(类似于Unix中的‘cut’)
Hadoop的工具类org.apache.hadoop.mapred.lib.FieldSelectionMapReduc帮助用户高效处理文本数据,就像unix中的“cut”工具。工具类中的map函数把输入的key/value对看作字段的列表。 用户可以指定字段的分隔符(默认是tab),可以选择字段列表中任意一段(由列表中一个或多个字段组成)作为map输出的key或者value。 同样,工具类中的reduce函数也把输入的key/value对看作字段的列表,用户可以选取任意一段作为reduce输出的key或value。
4、Mapper和Reducer实现
本节试图用尽可能多的语言编写Mapper和Reducer,包括Java,C,C++,Shell脚本,python等。
由于Hadoop会自动解析数据文件到Mapper或者Reducer的标准输入中,以供它们读取使用,所有应先了解各个语言获取标准输入的方法。
(1) Java语言:
见Hadoop自带例子
(2) C++语言:
string key;
while(cin>>key){
cin>>value;
….
(3) C语言:
char buffer[BUF_SIZE];
while(fgets(buffer, BUF_SIZE - 1, stdin)){
int len = strlen(buffer);
…
}
(4) Shell脚本
用管道
(5) Python脚本
import sys
for line in sys.stdin:
.......
为了说明各种语言编写Hadoop Streaming程序的方法,下面以WordCount为例,WordCount作业的主要功能是对用户输入的数据中所有字符串进行计数。
(1)C语言实现
//mapper
#include
#include
#include
#define BUF_SIZE 2048
#define DELIM "
"
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] == "
")
buffer[len-1] = 0;
char *querys = index(buffer, " ");
char *query = NULL;
if(querys == NULL) continue;
querys += 1; /* not to include " " */
query = strtok(buffer, " ");
while(query){
printf("%s 1
", query);
query = strtok(NULL, " ");
}
}
return 0;
}
//---------------------------------------------------------------------------------------
//reducer
#include
#include
#include
#define BUFFER_SIZE 1024
#define DELIM " "
int main(int argc, char *argv[]){
char strLastKey[BUFFER_SIZE];
char strLine[BUFFER_SIZE];
int count = 0;
*strLastKey = " ";
*strLine = " ";
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] == " "){
strcpy(strLastKey, strCurrKey);
}
if(strcmp(strCurrKey, strLastKey)){
printf("%s %d
", strLastKey, count);
count = atoi(strCurrNum);
}else{
count += atoi(strCurrNum);
}
strcpy(strLastKey, strCurrKey);
}
printf("%s %d
", strLastKey, count); /* flush the count */
return 0;
}
(2)C++语言实现
//mapper
#include
#include
#include
using namespace std;
int main(){
string key;
string value = "1";
while(cin>>key){
cout<
#include
文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。
转载请注明本文地址:https://www.ucloud.cn/yun/3732.html
摘要:随着的发布,这些功能已经基本上得到了完整的实现,本文将介绍如何使用处理二进制格式的文件,包括,等。使用编写程序为了说明如何处理二进制格式数据,本文仅仅以语言为例进行说明,其他语言的设计方法类似。 Hadoop Streaming是Hadoop提供的多语言编程工具,用户可以使用自己擅长的编程语言(比如python、php或C#等)编写Mapper和 Reducer处理文本数据。Hadoop ...
摘要:说明本文所有操作均在环境下进行。任何可以使用来编写的应用,最终会由编写。书中分别介绍了如何使用和结合进行开发。工具会创建作业,发送给各个,同时监控整个作业的执行过程。准备好的运行环境之后开始搭建的运行环境,参考单节点集群配置。 说明 本文所有操作均在 linux 环境下进行。 转载请注明出处。 任何可以使用JavaScript来编写的应用,最终会由JavaScript编写。 作为...
摘要:说明本文所有操作均在环境下进行。任何可以使用来编写的应用,最终会由编写。书中分别介绍了如何使用和结合进行开发。工具会创建作业,发送给各个,同时监控整个作业的执行过程。准备好的运行环境之后开始搭建的运行环境,参考单节点集群配置。 说明 本文所有操作均在 linux 环境下进行。 转载请注明出处。 任何可以使用JavaScript来编写的应用,最终会由JavaScript编写。 作为...
摘要:简介框架允许任何程序语言实现的程序在中使用,方便已有程序向平台移植。分别用于向计算节点分发本地文件文件和压缩文件。指定和类,用于读取输入数据和写入输出数据,分别要实现和接口。分别指定和程序失败时运行的程序。 Streaming简介 Streaming框架允许任何程序语言实现的程序在Hadoop MapReduce中使用,方便已有程序向Hadoop平台移植。因此可以说对于hadoop的扩展...
摘要:项目地址前言大数据技术栈思维导图大数据常用软件安装指南一分布式文件存储系统分布式计算框架集群资源管理器单机伪集群环境搭建集群环境搭建常用命令的使用基于搭建高可用集群二简介及核心概念环境下的安装部署和命令行的基本使用常用操作分区表和分桶表视图 项目GitHub地址:https://github.com/heibaiying... 前 言 大数据技术栈思维导图 大数据常用软件安装指...
阅读 1923·2019-08-30 15:52
阅读 2807·2019-08-29 16:09
阅读 1227·2019-08-28 18:30
阅读 2344·2019-08-26 12:24
阅读 920·2019-08-26 12:12
阅读 2165·2019-08-26 10:45
阅读 473·2019-08-23 17:52
阅读 628·2019-08-23 16:03