hadoop streaming 命令

1 Streaming命令

使用下面的命令运行Streaming MapReduce程序：

$HADOOP_HOME/bin/hadoop streaming  args

其中args是streaming参数，下面是参数列表：

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

2 命令参数详解

下面是对各个参数的详细说明：

  -input ：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 ：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