Hadoop MapReduce和HDFS采用Java实现,默认提供Java编程接口,另外提供了C++编程接口和Streaming框架。Streaming框架允许任何程序语言实现的程序在Hadoop MapReduce中使用,方便已有程序向Hadoop平台移植。
Streaming的原理是用Java实现一个包装用户程序的MapReduce程序,该程序负责调用MapReduce Java接口获取key/value对输入,创建一个新的进程启动包装的用户程序,将数据通过管道传递给包装的用户程序处理,然后调用MapReduce Java接口将用户程序的输出切分成key/value对输出。如下图所示,其中Streaming Java Mapper通过管道将key/value输入传递给用户mapper程序的标准输入,并获取用户mapper程序的标准输出;Streaming Java Reducer调用Java接口通过InputFormat从HDFS获取输入数据,从管道将key/value传递给用户 reducer程序的标准输入,获取用户reducer程序的标准输出并调用Java接口通过OutputFormat输出数据;用户mapper和reducer程序负责处理数据,都从标准输入读取数据,向标准输出写入数据。
Streaming有如下一些优点:
1)开发效率高,很多现有程序(包括脚本)能够方便的移植到hadoop平台上去运行
2)某些程序运行效率高,对于某些cpu密集型程序,如果map-reduce程序用C++编写,效率有可能提高
Streaming存在如下一些不足:
1) Hadoop Streaming默认只能处理文本数据。
2) Streaming中的mapper和reducer默认只能向标准输出写数据,不能方便地处理多路输出。
3) 用Java编写的MapReduce程序直接处理框架从输入数据中得到的key/value对,在Streaming中Java程序不直接处理key/value对,而是通过管道写到mapper程序的标准输入,mapper程序再从key/tvalue中解析出key/value对,这个过程多了两次数据拷贝和解析(分割),带来一定的开销。对于reducer也是一样的。
streaming命令参数列表:
-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 |
下面是对各个参数的详细说明:
-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。
-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,参考KeyBasedFiledPartitoner和IntHashPartitioner。
-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。
-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 |
python和shell中调用该命令的方式:
shell中:LOCAL_HADOOP_HOME用于指定所使用的hadoop客户端的路径:
python中调用该命令的方式:
python中借助了os.system命令:
注:1、在执行Hadoop Streaming命令之前,一定要删除output对应的路径,在Hadoop Streaming命令执行的过程中,该路径会被动态的创建,被创建的前提条件是,所使用的hadoop客户端所用的集群有在output所在集群的写权限,否则会导致作业执行失败。
2、map的输出直接作为reduce的输入。