Hadoop Streaming 编程

1、概述

Hadoop Streaming是Hadoop提供的一个编程工具，它允许用户使用任何可执行文件或者脚本文件作为Mapper和Reducer，例如：

采用shell脚本语言中的一些命令作为mapper和reducer（cat作为mapper，wc作为reducer）

$HADOOP_HOME/bin/hadoop  jar $HADOOP_HOME/contrib/streaming/hadoop-*-streaming.jar \

-input myInputDirs \

-output myOutputDir \

-mapper cat \

-reducer wc

本文安排如下，第二节介绍Hadoop Streaming的原理，第三节介绍Hadoop Streaming的使用方法，第四节介绍Hadoop Streaming的程序编写方法，在这一节中，用C++、C、shell脚本 和python实现了WordCount作业，第五节总结了常见的问题。文章最后给出了程序下载地址。(本文内容基于Hadoop-0.20.2版本)

(注：如果你采用的语言为C或者C++，也可以使用Hadoop Pipes，具体可参考这篇文章：Hadoop Pipes编程。)

关于Hadoop Streaming高级编程方法，可参考这篇文章：Hadoop Streaming高级编程，Hadoop编程实例。

2、Hadoop Streaming原理

mapper和reducer会从标准输入中读取用户数据，一行一行处理后发送给标准输出。Streaming工具会创建MapReduce作业，发送给各个tasktracker，同时监控整个作业的执行过程。

如果一个文件（可执行或者脚本）作为mapper，mapper初始化时，每一个mapper任务会把该文件作为一个单独进程启动，mapper任务运行时，它把输入切分成行并把每一行提供给可执行文件进程的标准输入。 同时，mapper收集可执行文件进程标准输出的内容，并把收到的每一行内容转化成key/value对，作为mapper的输出。 默认情况下，一行中第一个tab之前的部分作为key，之后的（不包括tab）作为value。如果没有tab，整行作为key值，value值为null。

对于reducer，类似。

以上是Map/Reduce框架和streaming mapper/reducer之间的基本通信协议。

3、Hadoop Streaming用法

Usage: $HADOOP_HOME/bin/hadoop jar \

$HADOOP_HOME/contrib/streaming/hadoop-*-streaming.jar [options]

options：

（1）-input：输入文件路径

（2）-output：输出文件路径

（3）-mapper：用户自己写的mapper程序，可以是可执行文件或者脚本

（4）-reducer：用户自己写的reducer程序，可以是可执行文件或者脚本

（5）-file：打包文件到提交的作业中，可以是mapper或者reducer要用的输入文件，如配置文件，字典等。

（6）-partitioner：用户自定义的partitioner程序

（7）-combiner：用户自定义的combiner程序（必须用java实现）

（8）-D：作业的一些属性（以前用的是-jonconf），具体有：
1）mapred.map.tasks：map task数目
2）mapred.reduce.tasks：reduce task数目
3）stream.map.input.field.separator/stream.map.output.field.separator： map task输入/输出数
据的分隔符,默认均为\t。
4）stream.num.map.output.key.fields：指定map task输出记录中key所占的域数目
5）stream.reduce.input.field.separator/stream.reduce.output.field.separator：reduce task输入/输出数据的分隔符，默认均为\t。
6）stream.num.reduce.output.key.fields：指定reduce task输出记录中key所占的域数目
另外，Hadoop本身还自带一些好用的Mapper和Reducer：
（1）    Hadoop聚集功能
Aggregate提供一个特殊的reducer类和一个特殊的combiner类，并且有一系列的“聚合器”（例如“sum”，“max”，“min”等）用于聚合一组value的序列。用户可以使用Aggregate定义一个mapper插件类，这个类用于为mapper输入的每个key/value对产生“可聚合项”。Combiner/reducer利用适当的聚合器聚合这些可聚合项。要使用Aggregate，只需指定“-reducer aggregate”。
（2）字段的选取（类似于Unix中的‘cut’）
Hadoop的工具类org.apache.hadoop.mapred.lib.FieldSelectionMapReduc帮助用户高效处理文本数据，就像unix中的“cut”工具。工具类中的map函数把输入的key/value对看作字段的列表。 用户可以指定字段的分隔符（默认是tab），可以选择字段列表中任意一段（由列表中一个或多个字段组成）作为map输出的key或者value。 同样，工具类中的reduce函数也把输入的key/value对看作字段的列表，用户可以选取任意一段作为reduce输出的key或value。

4、Mapper和Reducer实现

本节试图用尽可能多的语言编写Mapper和Reducer，包括Java，C，C++，Shell脚本，python等（初学者运行第一个程序时，务必要阅读第5部分 “常见问题及解决方案”！！！！）。

由于Hadoop会自动解析数据文件到Mapper或者Reducer的标准输入中，以供它们读取使用，所有应先了解各个语言获取标准输入的方法。

（1）    Java语言：

见Hadoop自带例子

（2）    C++语言：

1 2 3 4 5

string key; while (cin>>key){    cin>>value;     …. }

（3）  C语言：

1 2 3 4 5

char buffer[BUF_SIZE]; while ( fgets (buffer, BUF_SIZE - 1, stdin)){    int len = strlen (buffer);    … }

（4）  Shell脚本

管道

（5）  Python脚本

1 2 3

import  sys for  line  in  sys.stdin: .......

为了说明各种语言编写Hadoop Streaming程序的方法，下面以WordCount为例，WordCount作业的主要功能是对用户输入的数据中所有字符串进行计数。

（1）C语言实现

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68

//mapper #include <stdio.h> #include <string.h> #include <stdlib.h>   #define BUF_SIZE        2048 #define DELIM   "\n"   int main( int argc, char *argv[]){       char buffer[BUF_SIZE];       while ( fgets (buffer, BUF_SIZE - 1, stdin)){              int len = strlen (buffer);              if (buffer[len-1] == '\n' )               buffer[len-1] = 0;                char *querys  = index(buffer, ' ' );              char *query = NULL;              if (querys == NULL) continue ;              querys += 1; /*  not to include '\t' */                query = strtok (buffer, " " );              while (query){                     printf ( "%s\t1\n" , query);                     query = strtok (NULL, " " );              }       }       return 0; } //--------------------------------------------------------------------------------------- //reducer #include <stdio.h> #include <string.h> #include <stdlib.h>   #define BUFFER_SIZE     1024 #define DELIM   "\t"   int main( int argc, char *argv[]){   char strLastKey[BUFFER_SIZE];   char strLine[BUFFER_SIZE];   int count = 0;     *strLastKey = '\0' ;   *strLine = '\0' ;     while ( fgets (strLine, BUFFER_SIZE - 1, stdin) ){     char *strCurrKey = NULL;     char *strCurrNum = NULL;       strCurrKey  = strtok (strLine, DELIM);     strCurrNum = strtok (NULL, DELIM); /* necessary to check error but.... */       if ( strLastKey[0] == '\0' ){       strcpy (strLastKey, strCurrKey);     }       if ( strcmp (strCurrKey, strLastKey)) {       printf ( "%s\t%d\n" , strLastKey, count);       count = atoi (strCurrNum);     } else {       count += atoi (strCurrNum);     }     strcpy (strLastKey, strCurrKey);     }   printf ( "%s\t%d\n" , strLastKey, count); /* flush the count */   return 0; }

（2）C++语言实现

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42

//mapper #include <stdio.h> #include <string> #include <iostream> using namespace std;   int main(){          string key;          string value = "1" ;          while (cin>>key){                  cout<<key<< "\t" <<value<<endl;          }          return 0; } //------------------------------------------------------------------------------------------------------------ //reducer #include <string> #include <map> #include <iostream> #include <iterator> using namespace std; int main(){          string key;          string value;          map<string, int > word2count;          map<string, int >::iterator it;          while (cin>>key){                  cin>>value;                  it = word2count.find(key);                  if (it != word2count.end()){                          (it->second)++;                  }                  else {                          word2count.insert(make_pair(key, 1));                  }          }            for (it = word2count.begin(); it != word2count.end(); ++it){                  cout<<it->first<< "\t" <<it->second<<endl;          }          return 0; }

（3）shell脚本语言实现
简约版，每行一个单词：

1 2 3 4 5

$HADOOP_HOME /bin/hadoop  jar $HADOOP_HOME /hadoop-streaming .jar \      -input myInputDirs \      -output myOutputDir \      -mapper cat \     -reducer  wc

详细版，每行可有多个单词（由史江明编写）： mapper.sh

1 2 3 4 5 6 7

#! /bin/bash while read LINE; do    for word in $LINE    do      echo "$word 1"    done done

reducer.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"

（4）Python脚本语言实现

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56

#!/usr/bin/env python   import sys   # maps words to their counts word2count = {}   # input comes from STDIN (standard input) for line in sys.stdin:      # remove leading and trailing whitespace      line = line.strip()      # split the line into words while removing any empty strings      words = filter ( lambda word: word, line.split())      # increase counters      for word in words:          # write the results to STDOUT (standard output);          # what we output here will be the input for the          # Reduce step, i.e. the input for reducer.py          #          # tab-delimited; the trivial word count is 1          print '%s\t%s' % (word, 1 ) #--------------------------------------------------------------------------------------------------------- #!/usr/bin/env python   from operator import itemgetter import sys   # maps words to their counts word2count = {}   # input comes from STDIN for line in sys.stdin:      # remove leading and trailing whitespace      line = line.strip()        # parse the input we got from mapper.py      word, count = line.split()      # convert count (currently a string) to int      try :          count = int (count)          word2count[word] = word2count.get(word, 0 ) + count      except ValueError:          # count was not a number, so silently          # ignore/discard this line          pass   # sort the words lexigraphically; # # this step is NOT required, we just do it so that our # final output will look more like the official Hadoop # word count examples sorted_word2count = sorted (word2count.items(), key = itemgetter( 0 ))   # write the results to STDOUT (standard output) for word, count in sorted_word2count:      print '%s\t%s' % (word, count)

5、常见问题及解决方案

（1）作业总是运行失败，

提示找不多执行程序， 比如“Caused by: java.io.IOException: Cannot run program “/user/hadoop/Mapper”: error=2, No such file or directory”：

可在提交作业时，采用-file选项指定这些文件， 比如上面例子中，可以使用“-file Mapper -file Reducer” 或者 “-file Mapper.py -file Reducer.py”， 这样，Hadoop会将这两个文件自动分发到各个节点上，比如：

$HADOOP_HOME/bin/hadoop  jar $HADOOP_HOME/contrib/streaming/hadoop-*-streaming.jar \

-input myInputDirs \

-output myOutputDir \

-mapper Mapper.py\

-reducer Reducerr.py\

-file Mapper.py \

-file Reducer.py

（2）用脚本编写时，第一行需注明脚本解释器，默认是shell   （3）如何对Hadoop Streaming程序进行测试？   Hadoop Streaming程序的一个优点是易于测试，比如在Wordcount例子中，可以运行以下命令在本地进行测试：

cat input.txt | python Mapper.py | sort | python Reducer.py

或者

cat input.txt | ./Mapper | sort | ./Reducer