利用Hadoop Streaming处理二进制格式文件

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 Streaming自带了一些配置参数可友好地支持多字段文本数据的处理，参与Hadoop Streaming介绍和编程，可参考我的这篇文章：“Hadoop Streaming编程实例”。 然而，随着Hadoop应用越来越广泛，用户希望Hadoop Streaming不局限在处理文本数据上，而是具备更加强大的功能，包括能够处理二进制数据；能够支持多语言编写Combiner等组件。随着 Hadoop 2.x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Hadoop Streaming处理二进制格式的文件，包括SequenceFile，HFile等。

注：本文用到的程序实例可在百度云：hadoop-streaming-binary-examples 下载。

在详细介绍操作步骤之前，先介绍本文给出的实例。假设有这样的SequenceFile，它保存了手机通讯录信息，其中，key是好友名，value是描述该好友的一个结构体或者对象，为此，本文使用了google开源的protocol buffer这一序列化/反序列化框架，protocol buffer结构体定义如下：

option Java_package = "";
option java_outer_classname="PersonInfo";
message Person {
  optional string name = 1;
  optional int32 age = 2;
  optional int64 phone = 3;
  optional string address = 4;
}

SequenceFile文件中的value便是保存的Person对象序列化后的字符串，这是典型的二进制数据，不能像文本数据那样可通过换行符解析出每条记录，因为二进制数据的每条记录中可能包含任意字符，包括换行符。

一 旦有了这样的SequenceFile之后，我们将使用Hadoop Streaming编写这样的MapReduce程序：这个MapReduce程序只有Map Task，任务是解析出文件中的每条好友记录，并以name age,phone,address的文本格式保存到HDFS上。

1. 准备数据

首先，我们需要准备上面介绍的SequenceFile数据，生成数据的核心代码如下：

final SequenceFile.Writer out =
        SequenceFile.createWriter(fs, getConf(), new Path(args[0]),
                Text.class, BytesWritable.class);
Text nameWrapper = new Text();
BytesWritable personWrapper = new BytesWritable();
System.out.println("Generating " + num + " Records......");
for(int i = 0; i < num; i++) {
  genOnePerson(nameWrapper, personWrapper);
  System.out.println("Generating " + i + " Records," + nameWrapper.toString() + "......");
  out.append(nameWrapper, personWrapper);
}
out.close();

当然，为了验证我们产生的数据是否正确，需要编写一个解析程序，核心代码如下：

Reader reader = new Reader(fs, new Path(args[0]), getConf());
Text key = new Text();
BytesWritable value = new BytesWritable();
while(reader.next(key, value)) {
  System.out.println("key:" + key.toString());
  value.setCapacity(value.getSize()); // Very important!!! Very Tricky!!!
  PersonInfo.Person person = PersonInfo.Person.parseFrom(value.getBytes());
  System.out.println("age:" + person.getAge()
          + ",address:" + person.getAddress()
          +",phone:" + person.getPhone());
}
reader.close();

需 要注意的，Value保存类型为BytesWritable，使用这个类型非常容易犯错误。当你把一堆byte[]数据保存到BytesWritable 后，通过BytesWritable.getBytes()再读到的数据并不一定是原数据，可能变长了很多，这是因为BytesWritable采用了自 动内存增长算法，你保存的数据长度为size时，它可能将数据保存到了长度为capacity（capacity>size）的buffer中，这 时候，你通过BytesWritable.getBytes()得到的数据最后一些字符是多余的，如果里面保存的是protocol buffer序列化后的字符串，则无法反序列化，这时候可以使用BytesWritable.setCapacity (value.getSize())将后面多余空间剔除掉。

2. 使用Hadoop Streaming编写C++程序

为了说明Hadoop Streaming如何处理二进制格式数据，本文仅仅以C++语言为例进行说明，其他语言的设计方法类似。

先 简单说一下原理。当输入数据是二进制格式时，Hadoop Streaming会对输入key和value进行编码后，通过标准输入传递给你的Hadoop Streaming程序，目前提供了两种编码格式，分别是rawtypes和  typedbytes，你可以设计你想采用的格式，这两种编码规则如下（具体在文章“Hadoop Streaming高级编程”中已经介绍了）：

rawbytes：key和value均用【4个字节的长度+原始字节】表示

typedbytes：key和value均用【1字节类型+4字节长度+原始字节】表示

本 文将采用第一种编码格式进行说明。采用这种编码意味着你不能想文本数据那样一次获得一行内容，而是依次获得key和value序列，其中key和 value都由两部分组成，第一部分是长度（4个字节），第二部分是字节内容，比如你的key是dongxicheng，value是goodman，则 传递给hadoop streaming程序的输入数据格式为11 dongxicheng 7 goodman。为此，我们编写下面的Mapper程序解析这种数据：

int main() {
 string key, value;
 while(!cin.eof()) {
  if(!FileUtil::ReadString(key, cin))
   break;
  FileUtil::ReadString(value, cin);
  Person person;
  ProtoUtil::ParseFromString(value, person);
  cout << person.name() << " " << person.age()
       << "," << person.address()
       << "," << person.phone() << endl;
 }
 return 0;
}

其中，辅助函数实现如下：

class ProtoUtil {
 public:
  static bool ParseFromString(const string& str, Person &person) {
   if(person.ParseFromString(str))
    return true;
   return false;
  }
};
class FileUtil {
 public:
  static bool ReadInt(unsigned int *len, istream &stream) {
   if(!stream.read((char *)len, sizeof(unsigned int)))
    return false;
   *len = bswap_32(*len);
   return true;
  }
  static bool ReadString(string &str, istream &stream) {
   unsigned int len;
   if(!ReadInt(&len, stream))
    return false;
   str.resize(len);
   if(!ReadBytes(&str[0], len, stream))
    return false;
   return true;
  }
  static bool ReadBytes(char *ptr, unsigned int len, istream &stream) {
   stream.read(ptr, sizeof(unsigned char) * len);
   if(stream.eof()) return false;
   return true;
  }
};

该程序需要注意以下几点：

（1）注意大小端编码规则，解析key和value长度时，需要对长度进行字节翻转。

（2）注意循环结束条件，仅仅靠!cin.eof()判定是不够的，仅靠这个判定会导致多输出一条重复数据。

（3）本程序只能运行在Linux系统下，windows操作系统下将无法运行，因为windows下的标准输入cin并直接支持二进制数据读取，需要将其强制以二进制模式重新打开后再使用。

3. 程序测试与运行

程 序写好后，第一步是编译C++程序。由于该程序需要运行在多节点的Hadoop集群上，为了避免部署或者分发动态库带来的麻烦，我们直接采用静态编译方 式，这也是编写Hadoop C++程序的基本规则。为了静态编译以上MapReduce程序，安装protocol buffers时，需采用以下流程（强调第一步），

./configure –disable-shared
make –j4
make install

然后使用以下命令编译程序，生成可执行文件ProtoMapper：

g++ -o ProtoMapper ProtoMapper.cpp person.pb.cc `pkg-config –cflags –static –libs protobuf` -lpthread

在正式将程序提交到Hadoop集群之前，需要先在本地进行测试，本地测试运行脚本如下：

#!/bin/bash
HADOOP_HOME=/opt/dong/yarn-client
INPUT_PATH=/tmp/person.seq
OUTPUT_PATH=file:///tmp/output111
echo "Clearing output path: $OUTPUT_PATH"
$HADOOP_HOME/bin/hadoop fs -rmr $OUTPUT_PATH
${HADOOP_HOME}/bin/hadoop jar
   ${HADOOP_HOME}/share/hadoop/tools/lib/hadoop-streaming-2.2.0.jar
  -D mapred.reduce.tasks=0
  -D stream.map.input=rawbytes
  -files ProtoMapper
  -jt local
  -fs local
  -input $INPUT_PATH
  -output $OUTPUT_PATH
  -inputformat SequenceFileInputFormat
  -mapper ProtoMapper

注意以下几点：

（1）使用stream.map.input指定输入数据解析成rawbytes格式

（2） 使用-jt和-fs两个参数将程序运行模式设置为local模式

（3）使用-inputformat指定输入数据格式为SequenceFileInputFormat

（4）使用mapred.reduce.tasks将Reduce Task数目设置为0

在本地tmp/output111目录下查看测试结果是否正确，如果没问题，可改写该脚本（去掉-fs和-jt两个参数，将输入和输出目录设置成HDFS上的目录），将程序直接运行在Hadoop上。