MapReduce 2.0编程实践（涉及多语言编程）

         Hadoop提供了三种编程方式：Java（最原始的方式、Hadoop Streaming（支持多语言）以及Hadoop Pipes（支持C/C++）。Java编程接口是所有编程方式的基础。不同的编程接口只是暴露给用户的形式不同而已，内部执行引擎是一样的。不同编程方式效率不同。 

          与Linux管道机制一致，通过标准输入输出实现进程间通信 。 几个举例： 

            cat 1.txt | grep “dong” | sort 

            cat 1.txt | python grep.py | java sort.jar 

JAVA编程

        Map阶段将输入的行数据，解析成单词-1的key-value对。其伪代码如右图所示。

        Reduce阶段将map阶段的输出结果进行归并，最后统计输出。

        MapReduce的数据流如图所示。inputfotmat中的RecordReader函数将split的每一行解析成偏移量-行数据的key-value形式。map实现单词切分。reduce实现归并。最终，统计文本中的单词数。

Grep问题 
       一批TB或者PB量级的文档，需要完成以下功能：  搜索符合某种规则（正则表达式）的单词或者句子。然后，统计相应的单词或者句子的数目。最后，按照数目对其进行排序，并输出最终结果。 

          该过程执行流程如上图所示。分两个过程执行，word统计和sort排序。贴出实现过程如下：

多语言编程

        以标准输入流作为输入。例如：C++：cin 、C：scanf 。以标准输出流作为输出。例如：C++：cout 、C：printf 可实现Mapper和Reducer，其他组件（ InputFormat、Partitioner等需要用Java语言实现）。用C++实现wordcount如下图所示：

map阶段

reduce阶段

       执行c++mapreduce： 编译程序，生成可执行文件； g++ -o mapper mapper.cpp ；g++ -o reducer reducer.cpp。 测试程序； cat test.txt | ./mapper | sort | ./reducer 

Streaming程序运行方式 
      区分通用参数和命令行参数，通用参数应放在命令行参数前面，否则不起作用。通用参数有7个：  -conf  -D  -fs -jt -files - libjars    -archives 。“-file”或者“-files”参数，设置要分发到各个节点上的文件，对于mapper和reducer文件，必须要用或者“-files” 或“-file”指定。 如： -files mapper,reducer 和-file mapper -file reducer 。每次运行程序前，需要清空输出目录bin/hadoop fs -rmr /test/output 。

      下面用PHP实现wordcount：

map阶段：

reduce阶段：

测试mapper和reducer：

       cat test.txt| php mapper.php | sort | php reducer.php 

在Hadoop上运行 ：

       最后，Java编程是Hadoop最原始开发语言。支持所有功能，是其他编程方式的基础。 Streaming编程仅用于开发Mapper和Reducer，其他组件需采用 Java实现。其天生支持文本格式，但二进制格式支持较弱。通常用于简单的文本数据处理，加快开发效率。