Hadoop-2.4.1学习之Streaming编程，hadoopstreaming

Hadoop-2.4.1学习之Streaming编程，hadoopstreaming

       在之前的文章曾提到Hadoop不仅支持用Java编写的job，也支持其它语言编写的作业，比如Hadoop Streaming（shell、python）和Hadoop Pipes（c++），本篇文章将学习Hadoop Streaming编程。Streaming是hadoop自带的工具，封装在hadoop-streaming-版本号.jar中，可以使用hadoop jar hadoop-streaming-版本号.jar命令启动，在该命令中还需要指定mapper或/和reducer，其中mapper和reducer任务既可以是java类，也可以是可执行文件（如cat）或脚本文件（如python）。该工具将创建MapReduce作业，将作业提交给集群处理并监控作业的执行进度等，下面分析一下Streaming的执行过程。

      当可执行文件做为mapper或者reducer时，每个mapper任务或者reducer任务在mapper或者reducer初始化后将可执行文件做为独立的进程加载运行。当mapper任务运行时，它将输入转换为行然后把这些行传递给该进程的标准输入stdin，同时mapper收集从该进程的标准输出stdout产生的行并将每行转换为键值对，这些键值对将做为该mapper的输出。默认的情况下，一行的开始部分到第一个tab符为键，剩余的部分（不包括tab符）为值，如果某行不存在tab符，则整个行将做为键，而值为null。但可通过使用-inputformat命令行选项自定义键值分隔符。当reducer任务运行时，它将输入的键值对转换为行，然后传递给该进程的标准输入stdin，同时reducer任务收集该进程标准输出stdout的输出，并转换为键值对，这些键值对将做为reducer任务的输出。同mapper任务一样，默认使用tab符分隔键值对，用户可以使用-outputformat自定义分隔符。

      通过上面的描述可知，mapper和reducer的的输出都为键值对，输入都为从相应进程的stdin输入的行，不同的是mapper是将输入数据转换为行，reducer是将mapper输出的键值对转换为行。

      可以通过指定stream.non.zero.exit.is.failure的值为true或false表示streaming任务退出时状态码的含义，如果为true则非0值表示失败，若为false则非0表示成功，默认情况下，streaming任务退出时的状态码非0表示任务失败。接下来看看streaming工具的语法格式，用户可以通过在命令行输入hadoop jar hadoop-streaming-2.4.1.jar –help获取该工具的具体用法，如下表所示：

      除了上表所述的专门用于streaming的选项外，在使用streaming工具时还可以指定通用选项，但需要确保通用选项位于streaming选项之前，否则将导致失败。通用选项如下表所示：

      前面曾经提到，默认使用tab符分隔键值对，并且按照第一个tab符来分隔，而在很多情况下，数据不是使用tab符分隔字段，并且希望某几个字段做为键，默认情况将不满足这样的需求，此时用户可以通过使用相应的参数来修改默认设置，这几个参数为：

      通过一个具体的示例代码来详细描述上述参数的含义，在该段代码中使用点号（.）做为分隔符，并且第四个点号之前的字段为键，第四个点号（不包含该点号）后面的字段做为值，如果某行中的点号少于四个，则正行将做为键，值为空的Text对象。代码如下：

hadoop jar hadoop-streaming-2.4.1.jar \
    -D stream.map.output.field.separator=. \
    -D stream.num.map.output.key.fields=4 \
    -input input \
    -output output \
    -mapper /bin/cat \
    -reducer /bin/cat

      最后通过下面的示例代码结束Streaming编程的学习，在该代码中通过-files通用选项将两个python脚本上传到集群中，并分别做为mapper和reducer：

hadoop jar hadoop-streaming-2.4.1.jar \
-files mapperPythonScript.py, reducerPythonScript.py
-input myInputDirs \
    -output myOutputDir \
    -mapper mapperPythonScript.py \
    -reducer reducerPythonScript.py 

      本篇文章学习Hadoop Streaming编程，详细介绍了作业流程和参数的使用方式，至于如何编写Streaming中的mapper和reducer，则需要根据用户使用的脚本语言（如python、shell）而定。