Hadoop pipes编程

1.	Hadoop pipes编程介绍

Hadoop pipes允许C++程序员编写mapreduce程序，它允许用户混用C++和Java的RecordReader， Mapper， Partitioner，Rducer和RecordWriter等五个组件。关于Hadoop pipes的设计思想，可参见我这篇文章：Hadoop Pipes设计原理。
本文介绍了Hadoop pipes编程的基本方法，并给出了若干编程示例，最后介绍了Hadoop pipes高级编程方法，包括怎样在MapReduce中加载词典，怎么传递参数，怎样提高效率等。
2. Hadoop pipes编程初体验
Hadoop-0.20.2源代码中自带了三个pipes编程示例，它们位于目录src/examples/pipes/impl中，分别为wordcount-simple.cc，wordcount-part.cc和wordcount-nopipe.cc。下面简要介绍一下这三个程序。
（1） wordcount-simple.cc：Mapper和Reducer组件采用C++语言编写，RecordReader, Partitioner和RecordWriter采用Java语言编写，其中，RecordReader 为LineRecordReader（位于InputTextInputFormat中，按行读取数据，行所在的偏移量为key，行中的字符串为value），Partitioner为PipesPartitioner，RecordWriter为LineRecordWriter（位于InputTextOutputFormat中，输出格式为”key\tvalue\n”）
（2） wordcount-part.cc：Mapper，Partitioner和Reducer组件采用C++语言编写，其他采用Java编写
（3）wordcount-nopipe.cc：RecordReader，Mapper，Rducer和RecordWriter采用C++编写
接下来简单介绍一下wordcount-simple.cc的编译和运行方法。
在Hadoop的安装目录下，执行下面命令：

ant -Dcompile.c++=yes examples

则wordcount-simple.cc生成的可执行文件wordcount-simple被保存到了目录build/c++-examples/Linux-amd64-64/bin/中，然后将该可执行文件上传到HDFS的某一个目录下，如/user/XXX/ bin下：

bin/hadoop  fs -put  build/c++-examples/Linux-amd64-64/bin/wordcount-simple  C++/
上传一份数据到HDFS的wordcount目录下：

直接使用下面命令提交作业：

hadoop pipes -D hadoop.pipes.java.recordreader=true -D hadoop.pipes.java.recordwriter=true -D mapred.job.name= wordcount -input wordcount -output out -program C++/wordcount-simple

3. Hadoop pipes编程方
先从最基础的两个组件Mapper和Reducer说起。
（1） Mapper编写方法
用户若要实现Mapper组件，需继承HadoopPipes::Mapper虚基类，它的定义如下：

class Mapper: public Closable {
 
public:
 
virtual void map(MapContext& context) = 0;
 
};

用户必须实现map函数，它的参数是MapContext，该类的声明如下：

class MapContext: public TaskContext {
 
public:
 
virtual const std::string& getInputSplit() = 0;
 
virtual const std::string& getInputKeyClass() = 0;
 
virtual const std::string& getInputValueClass() = 0;
 
};

而TaskContext类地声明如下：

class TaskContext {
 
public:
 
class Counter {
 
……
 
public:
 
Counter(int counterId) : id(counterId) {}
 
Counter(const Counter& counter) : id(counter.id) {}
 
……
 
};
 
virtual const JobConf* getJobConf() = 0;
 
virtual const std::string& getInputKey() = 0;
 
virtual const std::string& getInputValue() = 0;
 
virtual void emit(const std::string& key, const std::string& value) = 0;
 
virtual void progress() = 0;
 
…….
 
};

用户可以从context参数中获取当前的key，value，progress和inputsplit等数据信息，此外，还可以调用emit将结果回传给Java代码。
Mapper的构造函数带有一个HadoopPipes::TaskContext参数，用户可以通过它注册一些全局counter，对于程序调试和跟踪作业进度非常有用：
如果你想注册全局counter，在构造函数添加一些类似的代码：

WordCountMap(HadoopPipes::TaskContext& context) {
 
inputWords1 = context.getCounter(“group”, ”counter1”);
 
inputWords2 = context.getCounter(“group”, ”counter2”);
 
}

当需要增加counter值时，可以这样：

context.incrementCounter(inputWords1, 1);
 
context.incrementCounter(inputWords2, 1);

其中getCounter的两个参数分别为组名和组内计数器名，一个组中可以存在多个counter。
用户自定义的counter会在程序结束时，输出到屏幕上，当然，用户可以用通过web界面看到。
（2） Reducer编写方法
Reducer组件的编写方法跟Mapper组件类似，它需要继承虚基类public HadoopPipes::Reducer。
与Mapper组件唯一不同的地方时，map函数的参数类型为HadoopPipes::ReduceContext，它包含一个nextValue()方法，这允许用于遍历当前key对应的value列表，依次进行处理。
接下来介绍RecordReader， Partitioner和RecordWriter的编写方法：
（3） RecordReader编写方法
用户自定义的RecordReader类需要继承虚基类HadoopPipes::RecordReader，它的声明如下：

class RecordReader: public Closable {
 
public:
 
virtual bool next(std::string& key, std::string& value) = 0;
 
virtual float getProgress() = 0;
 
};

用户需要实现next和 getProgress两个方法。
用户自定义的RecordReader的构造函数可携带类型为HadoopPipes::MapContext的参数，通过该参数的getInputSplit()的方法，用户可以获取经过序列化的InpuSplit对象，Java端采用不同的InputFormat可导致InputSplit对象格式不同，但对于大多数InpuSplit对象，它们可以提供至少三个信息：当前要处理的InputSplit所在的文件名，所在文件中的偏移量，它的长度。用户获取这三个信息后，可使用libhdfs库读取文件，以实现next方法。
下面介绍一下反序列化InputSplit对象的方法：
【1】 如果Java端采用的InputFormat为WordCountInpuFormat，可以这样：

lass XXXReader: public HadoopPipes::RecordReader {
 
public:
 
XXXReader (HadoopPipes::MapContext& context) {
 
std::string filename;
 
HadoopUtils::StringInStream stream(context.getInputSplit());
 
HadoopUtils::deserializeString(filename, stream);
 
……
 
};

【2】 如果Java端采用的InputFormat为TextInpuFormat，可以这样：

class XXXReader: public HadoopPipes::RecordReader {
 
public:
 
XXXReader (HadoopPipes::MapContext& context) {
 
std::string filename;
 
HadoopUtils::StringInStream stream(context.getInputSplit());
 
readString(filename, stream);
 
int start = (int)readLong(stream);
 
int len = (int)readLong(stream);
 
……
 
private:
 
void readString(std::string& t, HadoopUtils::StringInStream& stream)
 
{
 
int len = readShort(stream);
 
if (len > 0) {
 
// resize the string to the right length
 
t.resize(len);
 
// read into the string in 64k chunks
 
const int bufSize = 65536;
 
int offset = 0;
 
char buf[bufSize];
 
while (len > 0) {
 
int chunkLength = len > bufSize ? bufSize : len;
 
stream.read(buf, chunkLength);
 
t.replace(offset, chunkLength, buf, chunkLength);
 
offset += chunkLength;
 
len -= chunkLength;
 
}
 
} else {
 
t.clear();
 
}
 
}
 
long readLong(HadoopUtils::StringInStream& stream) {
 
long n;
 
char b;
 
stream.read(&b, 1);
 
n = (long)(b & 0xff) << 56 ;
 
stream.read(&b, 1);
 
n |= (long)(b & 0xff) << 48 ;
 
stream.read(&b, 1);
 
n |= (long)(b & 0xff) << 40 ;
 
stream.read(&b, 1);
 
n |= (long)(b & 0xff) << 32 ;
 
stream.read(&b, 1);
 
n |= (long)(b & 0xff) << 24 ;
 
stream.read(&b, 1);
 
n |= (long)(b & 0xff) << 16 ;
 
stream.read(&b, 1);
 
n |= (long)(b & 0xff) << 8 ;
 
stream.read(&b, 1);
 
n |= (long)(b & 0xff) ;
 
return n;
 
}
 
};

（4） Partitioner编写方法
用户自定义的Partitioner类需要继承虚基类HadoopPipes:: Partitioner，它的声明如下：

class Partitioner {
 
public:
 
virtual int partition(const std::string& key, int numOfReduces) = 0;
 
virtual ~Partitioner() {}
 
};

用户需要实现partition方法和 析构函数。
对于partition方法，框架会自动为它传入两个参数，分别为key值和reduce task的个数numOfReduces，用户只需返回一个0~ numOfReduces-1的值即可。
（5） RecordWriter编写方法
用户自定义的RecordWriter类需要继承虚基类HadoopPipes:: RecordWriter，它的声明如下：

class RecordWriter: public Closable {
 
public:
 
virtual void emit(const std::string& key,
 
const std::string& value) = 0;
 
};

用户自定的RecordWriter的构造函数可携带类型为HadoopPipes::MapContext的参数，通过该参数的getJobConf()可获取一个HadoopPipes::JobConf的对象，用户可从该对象中获取该reduce task的各种参数，如：该reduce task的编号（这对于确定输出文件名有用），reduce task的输出目录等。

class MyWriter: public HadoopPipes::RecordWriter {
 
public:
 
MyWriter(HadoopPipes::ReduceContext& context) {
 
const HadoopPipes::JobConf* job = context.getJobConf();
 
int part = job->getInt("mapred.task.partition");
 
std::string outDir = job->get("mapred.work.output.dir");
 
……
 
}
 
}

用户需实现emit方法，将数据写入某个文件。
4. Hadoop pipes编程示例
网上有很多人怀疑Hadoop pipes自带的程序wordcount-nopipe.cc不能运行，各个论坛都有讨论，在此介绍该程序的设计原理和运行方法。(事实证明是可以用的至少0.20.2这个版本的是可以用的)
该运行需要具备以下前提：
（1） 采用的InputFormat为WordCountInputFormat，它位于src/test/下的org.apache.hadoop.mapred.pipes中
（2） 输入目录和输出目录需位于各个datanode的本地磁盘上，格式为：file:///home/xxx/pipes_test (注意，hdfs中的各种接口同时支持本地路径和HDFS路径，如果是HDFS上的路径，需要使用hdfs://host:9000/user/xxx，表示/user/xxx为namenode 为host的hdfs上的路径，而本地路径，需使用file:///home/xxx/pipes_test，表示/home/xxx/pipes_test为本地路径。例如，bin/hadoop fs –ls file:///home/xxx/pipes_test表示列出本地磁盘上/home/xxx/pipes_tes下的文件)
待确定好各个datanode的本地磁盘上有输入数据/home/xxx/pipes_test/data.txt后，用户首先上传可执行文件到HDFS中：
1
bin/hadoop  -put  build/c++-examples/Linux-amd64-64/bin/wordcount-nopipe  bin/
然后使用下面命令提交该作业：

bin/hadoop pipes \
 
-D hadoop.pipes.java.recordreader=false \
 
-D hadoop.pipes.java.recordwriter=false \
 
-D mapred.job.name=wordcount \
 
-D mapred.input.format.class=org.apache.hadoop.mapred.pipes.WordCountInputFormat \
 
-libjars hadoop-0.20.2-test.jar \
 
-input file:///home/xxx/pipes_test/data.txt \
 
-output file:///home/xxx/pipes_output \
 
-program /user/XXX/bin/wordcount-nopipe

5. Hadoop pipes高级编程
如果用户需要在mapreduce作业中加载词典或者传递参数，可这样做：
（1） 提交作业时，用-files选项，将词典（需要传递参数可以放到一个配置文件中）上传给各个datanode，如:

bin/hadoop pipes \
 
-D hadoop.pipes.java.recordreader=false \
 
-D hadoop.pipes.java.recordwriter=false \
 
-D mapred.job.name=wordcount \
 
-files dic.txt \
 
….

（2） 在Mapper或者Reducer的构造函数中，将字典文件以本地文件的形式打开，并把内容保存到一个map或者set中，然后再map()或者reduce()函数中使用即可，如:
WordCountMap(HadoopPipes::TaskContext& context) {
 
file = fopen(“dic.txt”, "r"); //C库函数
 
…….
 
}

为了提高系能，RecordReader和RecordWriter最好采用Java代码实现（或者重用Hadoop中自带的，），这是因为Hadoop自带的C++库libhdfs采用JNI实现，底层还是要调用Java相关接口，效率很低，此外，如果要处理的文件为二进制文件或者其他非文本文件，libhdfs可能不好处理。

但是这一部分如何实现呢，如何在程序中指定对应的reader和writer类呢？

查看了一下hadoop pipes命令的使用格式：

bin/hadoop pipes
  [-input <path>] // Input directory
  [-output <path>] // Output directory
  [-jar <jar file> // jar filename
  [-inputformat <class>] // InputFormat class
  [-map <class>] // Java Map class
  [-partitioner <class>] // Java Partitioner
  [-reduce <class>] // Java Reduce class
  [-writer <class>] // Java RecordWriter
  [-program <executable>] // executable URI
  [-reduces <num>] // number of reduces


Generic options supported are
-conf <configuration file>     specify an application configuration file
-D <property=value>            use value for given property
-fs <local|namenode:port>      specify a namenode
-jt <local|jobtracker:port>    specify a job tracker
-files <comma separated list of files>    specify comma separated files to be copied to the map reduce cluster
-libjars <comma separated list of jars>    specify comma separated jar files to include in the classpath.
-archives <comma separated list of archives>    specify comma separated archives to be unarchived on the compute machines.

发现有-writer，但是没有-reader这个是怎么回事啊？难道 inputformat就可以了，这两个是不同的啊？如果有人知道，麻烦留言告诉我一声啊 
6. 总结
Hadoop pipes使C++程序员编写MapReduce作业变得可能，它简单好用，提供了用户所需的大部分功能。


本文链接地址: http://dongxicheng.org/mapreduce/hadoop-pipes-programming/