Hadoop Streaming编程实例

Hadoop Streaming是Hadoop提供的多语言编程工具，通过该工具，用户可采用任何语言编写MapReduce程序，本文将介绍几个Hadoop Streaming编程实例，大家可重点从以下几个方面学习：

（1）对于一种编写语言，应该怎么编写Mapper和Reduce，需遵循什么样的编程规范

（2） 如何在Hadoop Streaming中自定义Hadoop Counter

（3） 如何在Hadoop Streaming中自定义状态信息，进而给用户反馈当前作业执行进度

（4） 如何在Hadoop Streaming中打印调试日志，在哪里可以看到这些日志

（5）如何使用Hadoop Streaming处理二进制文件，而不仅仅是文本文件

我已经在多篇文章中介绍了Hadoop Streaming，如果你对它还不了解，可以阅读：“Hadoop Streaming 编程”，“Hadoop Streaming高级编程”等文章。

本文重点解决前四个问题，给出了C++和Shell编写的Wordcount实例，供大家参考。

1. C++版WordCount

（1）Mapper实现（mapper.cpp）

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

#include <iostream> #include <string> using namespace std; int main() {    string key;    while (cin >> key) {      cout << key << "\t" << "1" << endl;      // Define counter named counter_no in group counter_group      cerr << "reporter:counter:counter_group,counter_no,1\n" ;      // dispaly status      cerr << "reporter:status:processing......\n" ;      // Print logs for testing      cerr << "This is log, will be printed in stdout file\n" ;    }    return 0; }

（2）Reducer实现（reducer.cpp）

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

#include <iostream> #include <string>   using namespace std; int main() { //reducer将会被封装成一个独立进程，因而需要有main函数    string cur_key, last_key, value;    cin >> cur_key >> value;    last_key = cur_key;    int n = 1;    while (cin >> cur_key) { //读取map task输出结果      cin >> value;      if (last_key != cur_key) { //识别下一个key        cout << last_key << "\t" << n << endl;        last_key = cur_key;        n = 1;      } else { //获取key相同的所有value数目        n++; //key值相同的，累计value值      }    }    cout << last_key << "\t" << n << endl;    return 0; }

（3）编译运行

编译以上两个程序：

g++ -o mapper mapper.cpp

g++ -o reducer reducer.cpp

测试一下：

echo “dong xicheng is here now, talk to dong xicheng now” | ./mapper | sort | ./reducer

注：上面这种测试方法会频繁打印以下字符串，可以先注释掉，这些字符串hadoop能够识别

reporter:counter:counter_group,counter_no,1

reporter:status:processing……

This is log, will be printed in stdout file

测试通过后，可通过以下脚本将作业提交到集群中（run_cpp_mr.sh）：

1 2 3 4 5 6 7 8 9 10 11 12 13 14

#!/bin/bash HADOOP_HOME= /opt/yarn-client INPUT_PATH= /test/input OUTPUT_PATH= /test/output echo "Clearing output path: $OUTPUT_PATH" $HADOOP_HOME /bin/hadoop fs -rmr $OUTPUT_PATH   ${HADOOP_HOME} /bin/hadoop jar\     ${HADOOP_HOME} /share/hadoop/tools/lib/hadoop-streaming-2 .2.0.jar\    -files mapper,reducer\    -input $INPUT_PATH\    -output $OUTPUT_PATH\    -mapper mapper\    -reducer reducer

2. Shell版WordCount

（1）Mapper实现（mapper.sh）

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

#! /bin/bash while read LINE; do    for word in $LINE    do      echo "$word 1"      # in streaming, we define counter by      # [reporter:counter:<group>,<counter>,<amount>]      # define a counter named counter_no, in group counter_group      # increase this counter by 1      # counter shoule be output through stderr      echo "reporter:counter:counter_group,counter_no,1" >&2      echo "reporter:counter:status,processing......" >&2      echo "This is log for testing, will be printed in stdout file" >&2    done done

（2）Reducer实现（mapper.sh）

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

#! /bin/bash count=0 started=0 word= "" while read LINE; do    newword=` echo $LINE | cut -d ' '  -f 1`    if [ "$word" != "$newword" ]; then      [ $started - ne 0 ] && echo "$word\t$count"      word=$newword      count=1      started=1    else      count=$(( $count + 1 ))    fi done echo "$word\t$count"

（3）测试运行

测试以上两个程序：

echo “dong xicheng is here now, talk to dong xicheng now” | sh mapper.sh | sort | sh reducer.sh

注：上面这种测试方法会频繁打印以下字符串，可以先注释掉，这些字符串hadoop能够识别

reporter:counter:counter_group,counter_no,1

reporter:status:processing……

This is log, will be printed in stdout file

测试通过后，可通过以下脚本将作业提交到集群中（run_shell_mr.sh）：

1 2 3 4 5 6 7 8 9 10 11 12 13 14

#!/bin/bash HADOOP_HOME= /opt/yarn-client INPUT_PATH= /test/input OUTPUT_PATH= /test/output echo "Clearing output path: $OUTPUT_PATH" $HADOOP_HOME /bin/hadoop fs -rmr $OUTPUT_PATH   ${HADOOP_HOME} /bin/hadoop jar\     ${HADOOP_HOME} /share/hadoop/tools/lib/hadoop-streaming-2 .2.0.jar\    -files mapper.sh,reducer.sh\    -input $INPUT_PATH\    -output $OUTPUT_PATH\    -mapper "sh mapper.sh" \    -reducer "sh reducer.sh"

3. 程序说明

在Hadoop Streaming中，标准输入、标准输出和错误输出各有妙用，其中，标准输入和输出分别用于接受输入数据和输出处理结果，而错误输出的意义视内容而定：

（1）如果标准错误输出的内容为：reporter:counter:group,counter,amount，表示将名称为counter，所在组为group的hadoop counter值增加amount，hadoop第一次读到这个counter时，会创建它，之后查找counter表，增加对应counter值

（2）如果标准错误输出的内容为：reporter:status:message，则表示在界面或者终端上打印message信息，可以是一些状态提示信息

（3）如果采用错误输出的内容不是以上两种情况，则表示调试日志，Hadoop会将其重定向到stderr文件中。注：每个Task对应三个日志文件，分别是stdout、stderr和syslog，都是文本文件，可以在web界面上查看这三个日志文件内容，也可以登录到task所在节点上，到对应目录中查看。

另外，需要注意一点，默认Map Task输出的key和value分隔符是\t，Hadoop会在Map和Reduce阶段按照\t分离key和value，并对key排序，注意这点非常重要，当然，你可以使用stream.map.output.field.separator指定新的分隔符。