Hadoop Streaming/fs

文件分发与打包

如果程序运行所需要的可执行文件、脚本或者配置文件在Hadoop集群的计算节点上不存在，则首先需要将这些文件分发到集群上才能成功进行计算。

Hadoop提供了自动分发文件和压缩包的机制，只需要在启动Streaming作业时配置相应的参数。

Streaming主要用于编写简单，短小的MapReduce程序，可以通过脚本语言编程，开发更快捷，并充分利用非Java库。

Hadoop Streaming命令

命令格式：

hadoop streaming args ，其中args是streaming参数，下面是参数列表：

-input <path>	输入数据路径
-output <path>	输出数据路径
-mapper <cmd|JavaClassName>	mapper可执行程序或Java类
-reducer <cmd|JavaClassName>	reducer可执行程序或Java类
-file <file> Optional	分发本地文件
-cacheFile <file> Optional	分发HDFS文件
-cacheArchive <file> Optional	分发HDFS压缩文件
-numReduceTasks <num> Optional	reduce任务个数
-jobconf | -D NAME=VALUE Optional	作业配置参数
-combiner <JavaClassName> Optional	Combiner Java类
-partitioner <JavaClassName> Optional	Partitioner Java类
-inputformat <JavaClassName> Optional	InputFormat Java类
-outputformat <JavaClassName> Optional	OutputFormat Java类
-inputreader <spec> Optional	InputReader配置
-cmdenv <n>=<v> Optional	传给mapper和reducer的环境变量
-mapdebug <path> Optional	mapper失败时运行的debug程序
-reducedebug <path> Optional	reducer失败时运行的debug程序
-verbose Optional	详细输出模式

命令参数详解

-input <path>：指定作业输入，path可以是文件或者目录，可以使用*通配符，-input选项可以使用多次指定多个文件或目录作为输入。

-output <path>：指定作业输出目录，path必须不存在，而且执行作业的用户必须有创建该目录的权限，-output只能使用一次。

-mapper：指定mapper可执行程序或Java类，必须指定且唯一。

-reducer：指定reducer可执行程序或Java类，必须指定且唯一。

-file, -cacheFile, -cacheArchive：分别用于向计算节点分发本地文件、HDFS文件和HDFS压缩文件

-numReduceTasks：指定reducer的个数，如果设置-numReduceTasks 0或者-reducer NONE则没有reducer程序，mapper的输出直接作为整个作业的输出。

-jobconf | -D NAME=VALUE：指定作业参数，NAME是参数名，VALUE是参数值，可以指定的参数参考hadoop-default.xml。特别建议用-jobconf mapred.job.name=’My Job Name’设置作业名，使用-jobconf mapred.job.priority=VERY_HIGH | HIGH | NORMAL | LOW | VERY_LOW设置作业优先级，使用-jobconf mapred.job.map.capacity=M设置同时最多运行M个map任务，使用-jobconf mapred.job.reduce.capacity=N设置同时最多运行N个reduce任务。常见的作业配置参数如下表所示：

mapred.job.name	作业名
mapred.job.priority	作业优先级
mapred.job.map.capacity	最多同时运行map任务数
mapred.job.reduce.capacity	最多同时运行reduce任务数
hadoop.job.ugi	作业执行权限
mapred.map.tasks	map任务个数
mapred.reduce.tasks	reduce任务个数
mapred.job.groups	作业可运行的计算节点分组
mapred.task.timeout	任务没有响应（输入输出）的最大时间
mapred.compress.map.output	map的输出是否压缩
mapred.map.output.compression.codec	map的输出压缩方式
mapred.output.compress	reduce的输出是否压缩
mapred.output.compression.codec	reduce的输出压缩方式
stream.map.output.field.separator	map输出分隔符

-combiner：指定combiner Java类，对应的Java类文件打包成jar文件后用-file分发。

-partitioner：指定partitioner Java类，Streaming提供了一些实用的partitioner实现

-inputformat, -outputformat：指定inputformat和outputformat Java类，用于读取输入数据和写入输出数据，分别要实现InputFormat和OutputFormat接口。如果不指定，默认使用TextInputFormat和TextOutputFormat。

-cmdenv NAME=VALUE：给mapper和reducer程序传递额外的环境变量，NAME是变量名，VALUE是变量值。

-mapdebug, -reducedebug：分别指定mapper和reducer程序失败时运行的debug程序。

-verbose：指定输出详细信息，例如分发哪些文件，实际作业配置参数值等，可以用于调试。

注意事项

1) mapper或reducer程序尽量输出一些重要的错误日志到标准错误，不要写本地文件，因为程序执行完以后本地文件就会被删除，但是输出到标准错误的日志会被保存，有利于出现问题定位程序问题。但是量不要太大，否则会影响性能。

2) 注意mapper和reducer程序的返回值，Streaming框架默认认为程序返回值为0时用户程序正常，非0时用户程序异常从而导致任务失败，多次任务失败导致作业失败。

3) mapper或reducer程序在遇到从标准输入读到EOF，读标准输入异常，pipe broken异常，写标准输出异常，写标准错误异常时，应该主动退出。

4) mapper或reducer程序可以在当前目录下创建临时文件进行读写，但是不允许向它的上层目录，或者在cacheArchive解压后的目录中创建或写文件。

5) zip压缩包中不能有中文字符的文件名，否则Java解压会出现异常。

如果使用新版本命令格式，命令行中参数要先指定genericOptions如-D，然后指定commandOptions如-mapper

Hadoop  文件命令

启动与关闭启动HADOOP
1.         进入HADOOP_HOME目录。
2.         执行sh bin/start-all.sh
关闭HADOOP
1.         进入HADOOP_HOME目录。
2.         执行sh bin/stop-all.sh

1.查看目录文件

hadoop fs -ls 

2.创建目录

hadoop  fs -mkdir

3.删除文件

hadoop  fs  -rm 

4.删除目录

hadoop  fs  -rmr

5.上传文件到hdfs

hadoop  fs  -put  本地文件   hdfs目录

6.下载hdfs文件到本地

hadoop   fs  -get  hdfs文件    本地目录

7.查看文件

hadoop  fs  -cat

8.杀死正在运行的job

hadoop job -kill  job_id

9.提交job

提交MapReduce Job, Hadoop所有的MapReduce Job都是一个jar包。

hadoop jar <local-jar-file> <java-class> <hdfs-input-file> <hdfs-output-dir>

hadoop  fs 、hadoop  dfs、hdfs dfs命令的区别

hadoop fs：使用面最广，可以操作任何文件系统。

hadoop dfs与hdfs dfs：只能操作HDFS文件系统相关（包括与Local FS间的操作），前者已经废弃，一般使用后者。