董的博客 ? Hadoop Streaming 编程
http://dongxicheng.org/mapreduce/hadoop-streaming-programming/
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?。ɡ嗨朴赨nix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
6、参考资料
【1】C++&Python实现Hadoop Streaming的paritioner和?？榛?/a>
【2】如何在Hadoop中使用Streaming编写MapReduce
【3】Hadoop如何与C++结合
【4】Hadoop Streaming和pipes理解
7、程序打包下载
文章中用到的程序源代码可在此处下载！
