mapreduce python_mapreduce（python版本）配置参数（压缩）

部分转载自李闹闹童鞋的博客，感谢博主

实验部分亲测，1台主节点2台计算节点。

1)Streaming简介

Hadoop的MapReduce和HDFS均采用Java进行实现，默认提供Java编程接口，用户通过这些编程接口，可以定义map、reduce函数等等。

但是如果希望使用其他语言编写map、reduce函数怎么办呢？

Hadoop提供了一个框架Streaming，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hadoop提供的Java编程接口。

2)运行命令

/.../bin/hadoop streaming

-input /..../input

-output /..../output

-mapper "mapper.py"

-reducer "reducer.py"

-file mapper.py

-file reducer.py

-D mapred.job.name ="wordcount"

-D mapred.reduce.tasks = "1"

3)Streaming常用命令

(1)-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。

(2)-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。

(3)-mapper：指定mapper可执行程序或Java类，必须指定且唯一。

(4)-reducer：指定reducer可执行程序或Java类，必须指定且唯一。

(5)-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，具体使用方法参考

(6)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。

(7)-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。

-jobconf mapred.job.name='My Job Name'设置作业名

-jobconf mapred.job.priority=VERY_HIGH | HIGH | NORMAL | LOW | VERY_LOW设置作业优先级

-jobconf mapred.job.map.capacity=M设置同时最多运行M个map任务

-jobconf mapred.job.reduce.capacity=N设置同时最多运行N个reduce任务

-jobconf mapred.map.tasks 设置map任务个数

-jobconf mapred.reduce.tasks 设置reduce任务个数

-jobconf mapred.compress.map.output 设置map的输出是否压缩

-jobconf mapred.map.output.compression.codec 设置map的输出压缩方式

-jobconf mapred.output.compress设置reduce的输出是否压缩

-jobconf mapred.output.compression.codec设置reduce的输出压缩方式

-jobconf stream.map.output.field.separator 设置map输出分隔符

例子：-D stream.map.output.field.separator=: \  以冒号进行分隔

-D stream.num.map.output.key.fields=2 \  指定在第二个冒号处进行分隔，也就是第二个冒号之前的作为key，之后的作为value

(8)-combiner：指定combiner Java类，对应的Java类文件打包成jar文件后用-file分发。

(9)-partitioner：指定partitioner Java类，Streaming提供了一些实用的partitioner实现，参考

(10)-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。

(11)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。

(12)-mapdebug, -reducedebug：分别指定mapper和reducer程序失败时运行的debug程序。

(13)-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

实验一：map输出3个gz压缩，如果不指定reduce个数；结果：reduce只会启动一个，输出明文；

-jobconf "mapred.map.tasks=3"\-jobconf "mapred.compress.map.output=true"\-jobconf "mapred.map.output.compression.codec=org.apache.hadoop.io.compress.GzipCodec"

实验二：启动map输出4个gz压缩，reduce指定gz压缩(暂时不指定reduce个数)；结果：reduce端输出1个gz压缩文件；

-jobconf "mapred.map.tasks=4"\-jobconf "mapred.compress.map.output=true"\-jobconf "mapred.map.output.compression.codec=org.apache.hadoop.io.compress.GzipCodec"\-jobconf "mapred.output.compress=true"\-jobconf "mapred.output.compression.codec=org.apache.hadoop.io.compress.GzipCodec"

实验三：启动map输出4个gz压缩，reduce指定gz压缩，reduce指定5个；结果：reduce端输出5个压缩文件(2台slave节点显示，reduce先启动了4个，完成后启动了另一个)

-jobconf "mapred.map.tasks=4"\-jobconf "mapred.reduce.tasks=5"\-jobconf "mapred.compress.map.output=true"\-jobconf "mapred.map.output.compression.codec=org.apache.hadoop.io.compress.GzipCodec"\-jobconf "mapred.output.compress=true"\-jobconf "mapred.output.compression.codec=org.apache.hadoop.io.compress.GzipCodec"

实验四：map端输入时，输入5个压缩文件，不指定map和reduce个数；结果：自动启动5个map和1个reduce

-mapper "cat"

实验五：map输入5个压缩文件，指定map个数为3，reduce个数为2；观察结果：启动map个数为5个！！！！reduce个数为2个；所以压缩只会影响到map的个数，reduce的个数乣指定，或者默认为1；

-jobconf "mapred.map.tasks=3"\-jobconf "mapred.reduce.tasks=2"

结论：如果map输入为压缩文件，则压缩文件个数是map的启动个数；

map的压缩输出对reduce的运行个数无影响；

reduce的压缩输出会产生压缩文件；