Hadoop&&Streaming框架学习

1.Hadoop&Streaming简介        

1.1 Hadoop简介                                            

    Hadoop MapReduce是一个用于处理海量数据的分布式计算框架，这个框架解决了诸如数据分布式存储，作业调度，容错，机器间通信等复杂问题，可以让没有分布式处理经验的工程师非常简单的写出并行分布式程序。

    MapReduce采用“分而治之”的思想，将计算任务抽象成Map和Reduce两个计算过程：

A.首先把输入分割成不相关的若干键值（key1/value1）集合，这些键值会有多个map任务来并行处理。

B.MapReduce会对map的输出（一些中间键值对key2/value2集合）按照key2进行排序，排序用memcmp的方式对key在内存中字节数组进行比较后进行排序。

C.将属于同一个key2的所有value2组合分至一个reduce作为输入

D.由reduce任务计算出最终结果并输入key3/value3

    通常计算任务的输入和输出都是存放在HDFS（Hadoop Distributed File System）中，系统会尽量调度计算任务到数据所在的节点上运行，而不是将数据移动到计算节点，减少大量数据在网络中的传输，尽量节省带宽。

1.2 Streaming简介                                       

    Hadoop MR和HDFS有Java实现，默认提供Java编程接口，另外提供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MR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MR程序，该程序负责调用MR Java接口获取key/value对输入，创建一个新的进程启动包装过的用户程序，将数据通过管道传递给包装过的用户处理程序，然后调用MR Java接口将用户程序的输出切分成key/value对输入。

1.3 Demo示例                                               

    mapper为一个python程序，reduce直接为“cat”命令，不做其他处理：（文件为一个shell脚本）

   1:  $hadoop streaming \

   2:      -input "$input_path" \

   3:      -output "$output_path" \

   4:      -mapper "mapper.py" \

   5:      -reduce  "cat" \

   6:      -file "mapper.py" \

   7:      -jobconf mapred.job.name="Streaming_demo"

1.4 Streaming开发过程中需要注意的几个方面：

A.Mapper程序：对输入key/value数据进行处理；

B.Reducer程序：对mapper的输出进行归并处理；

C.Combiner：在本地对一个计算节点上的mapper输出进行归并

D.Partitioner：将mapper的输出分配到reducer

E.InputFormat/OutputFormat：对输入数据进行切分，保存输出数据

2.Streaming优缺点分析          

2.1 Streaming优点                                   

A. 一方面用其他语言（包括脚本语言）编写的程序可以方便地移植到Hadoop平台上，程序只需要按照一定的格式从标准输入读取数据、向标准输出写数据就可以在Hadoop平台上使用，原有的单机程序稍加改动就可以在Hadoop平台进行分布式处理；另一方面用于Streaming的程序可以在单机上用下面的方式运行，因此可以先用小规模数据在单机调试，使用本地的调试方法和调试工具，节省开发测试的时间。

      cat input | mapper | sort | reducer > output

B.  可以使用性能更好的语言（C/C++）来编写程序。

C. Streaming框架汇总通过limit等方式可以灵活的先知应用程序使用的内存等资源

2.2 Streaming缺点                                  

A. Hadoop Streaming默认只能处理文本数据，无法直接对二进制数据进行处理

B. 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.常用Streaming命令介绍      

使用下面的命令运行Streaming MapReduce程序：

   1:  $HADOOP_HOME/bin/hadoop/hadoop streaming args

其中args是streaming参数，下面是参数列表：

-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

 4.命令参数详解             

下面是对各个参数的详细说明：

l -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。

l -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。

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

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

l -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，具体使用方法参考文件分发与打包。

l -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。

l -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

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

l -partitioner：指定partitioner Java类，Streaming提供了一些实用的partitioner实现，参考KeyBasedFiledPartitoner和IntHashPartitioner。

l -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。

l -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。

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

l -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。

5.Streaming使用示例      

   1:   # 删除原目录 由于streaming必须确保输出路径不存在

   2:   $hadoop fs -rmr "$outpath"

   3:    

   4:   # 执行统计

   5:   $hadoop streaming \

   6:       -input   "$inpath" \  # 文件输入路径

   7:       -output  "$outpath" \ # 结果输出路径

   8:       -mapper  "$map" \     # map阶段所用脚本

   9:       -reducer "$reduce" \  # reduce阶段所用脚本

  10:       -file    "$map" \     # 将客户端本地分拣分发到计算节点

  11:       -file    "$reduce" \  

  12:       -jobconf mapred.job.name="test_task" \ # 任务名称

  13:       -jobconf stream.num.map.output.key.fields=1 \  

  14:       -jobconf mapred.job.priority=HIGH \    # 作业优先级

  15:       -jobconf mapred.job.map.capacity=100 \ # 同时运行的map数

  16:       -jobconf mapred.job.reduce.capacity=10 \ # 同时运行的reduce数

  17:       -jobconf mapred.map.tasks=2000 \         # map的个数

  18:       -jobconf mapred.reduce.tasks=10          # reduce的格式

  19:       

  20:    exit $?