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。