Hadoop streaming详细介绍

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：

1. 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）
2. 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）
3. 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：

1. bash shell
2. ruby
3. python
   

ruby

下面是一个ruby编写的mapreduce程序的示例：

map

max_temperature_map.rb：

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：

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 
else 
last_key, max_val = key, [max_val, val.to_i].max 
end 
end 
puts "#{last_key}\t#{max_val}" if last_key 

1. 从标准输入读入一行数据
2. 数据是用\t分隔的键值对
3. 数据是被mapreduce根据key排序之后顺序一行一行读入
4. 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

% 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

1. hadoop jar $hadoop_install/contrib/streaming/hadoop-*-streaming.jar指明了使用hadoop streaming
2. hadoop-*-streaming.jar会将input里的文件，一行一行的输出到标准输出。
3. 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
4. -reducer指定reduce函数。
   

python

map

#!/usr/bin/env python
import re
import sys
for 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

#!/usr/bin/env python
import 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

% 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

#!/usr/bin/env bash
# nlineinputformat gives a single line: key is offset, value is s3 uri
read offset s3file
# retrieve file from s3 to local disk
echo "reporter:status:retrieving $s3file" >&2
$hadoop_install/bin/hadoop fs -get $s3file .
# un-bzip and un-tar the local file
target=`basename $s3file .tar.bz2`
mkdir -p $target
echo "reporter:status:un-tarring $s3file to $target" >&2
tar jxf `basename $s3file` -c $target
# un-gzip each station file and concat into one file
echo "reporter:status:un-gzipping $target" >&2
for file in $target/*/*
do
gunzip -c $file >> $target.all
echo "reporter:status:processed $file" >&2
done
# put gzipped version into hdfs
echo "reporter:status:gzipping $target and putting in hdfs" >&2
gzip -c $target.all | $hadoop_install/bin/hadoop fs -put - gz/$target.gz

运行

% 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

1. 这里的-d mapred.reduce.tasks=0将reduce task观掉，因此也不需要设置-reducer
2. 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
3. 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：

1. 通过java编写一个combiner的函数，并使用-combiner option
2. 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：

% 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！