Hadoop Streaming框架使用（一）

Streaming簡介 

Streaming框架容許任何程序語言實現的程序在Hadoop MapReduce中使用，方便已有程序向Hadoop平臺移植。所以能夠說對於hadoop的擴展性意義重大，今天簡單說一下。

Streaming的原理是用Java實現一個包裝用戶程序的MapReduce程序，該程序負責調用MapReduce Java接口獲取key/value對輸入，建立一個新的進程啓動包裝的用戶程序，將數據經過管道傳遞給包裝的用戶程序處理，而後調用MapReduce Java接口將用戶程序的輸出切分紅key/value對輸出。 

 

Streaming優勢

1 開發效率高，便於移植

只要按照標準輸入輸出格式進行編程，就能夠知足hadoop要求。所以單機程序稍加改動就能夠在集羣上進行使用。 一樣便於測試

只要按照 cat input | mapper | sort | reducer > output 進行單機測試便可。

若是單機測試經過，大多數狀況是能夠在集羣上成功運行的，只要控制好內存就行了。

    2 提升程序效率

有些程序對內存要求較高，若是用java控制內存畢竟不如C/C++。

Streaming不足

    1 Hadoop Streaming默認只能處理文本數據，沒法直接對二進制數據進行處理 

    2 Streaming中的mapper和reducer默認只能向標準輸出寫數據，不能方便地處理多路輸出 

具體參數介紹

 

-input    <path>	輸入數據路徑
-output   <path>	輸出數據路徑
-mapper  <cmd|JavaClassName>	mapper可執行程序或Java類
-reducer  <cmd|JavaClassName>	reducer可執行程序或Java類
-file            <file>        Optional	分發本地文件
-cacheFile       <file>        Optional	分發HDFS文件
-cacheArchive   <file>         Optional	分發HDFS壓縮文件
-numReduceTasks  <num>     Optional	reduce任務個數
-jobconf | -D NAME=VALUE    Optional	做業配置參數
-combiner <JavaClassName>   Optional	Combiner Java類
-partitioner <JavaClassName>  Optional	Partitioner Java類
-inputformat <JavaClassName> Optional	InputFormat Java類
-outputformat <JavaClassName>Optional	OutputFormat Java類
-inputreader <spec>            Optional	InputReader配置
-cmdenv   <n>=<v>           Optional	傳給mapper和reducer的環境變量
-mapdebug <path>             Optional	mapper失敗時運行的debug程序
-reducedebug <path>           Optional	reducer失敗時運行的debug程序
-verbose                      Optional	詳細輸出模式

 

 下面是對各個參數的詳細說明：

l -input <path>：指定做業輸入，path能夠是文件或者目錄，可使用*通配符，-input選項可使用屢次指定多個文件或目錄做爲輸入。

l -output <path>：指定做業輸出目錄，path必須不存在，並且執行做業的用戶必須有建立該目錄的權限，-output只能使用一次。

l -mapper：指定mapper可執行程序或Java類，必須指定且惟一。

l -reducer：指定reducer可執行程序或Java類，必須指定且惟一。

l -file, -cacheFile, -cacheArchive：分別用於向計算節點分發本地文件、HDFS文件和HDFS壓縮文件。

l -numReduceTasks：指定reducer的個數，若是設置-numReduceTasks 0或者-reducer NONE則沒有reducer程序，mapper的輸出直接做爲整個做業的輸出。

-jobconf | -D NAME=VALUE：指定做業參數，NAME是參數名，VALUE是參數值，能夠指定的參數參考hadoop-default.xml。特別建議用-jobconf mapred.job.name='My Job Name'設置做業名，使用-jobconf mapred.job.priority=VERY_HIGH | HIGH | NORMAL | LOW | VERY_LOW設置做業優先級，使用-jobconf mapred.job.map.capacity=M設置同時最多運行M個map任務，使用-jobconf mapred.job.reduce.capacity=N設置同時最多運行N個reduce任務。

常見的做業配置參數以下表所示： 

mapred.job.name	做業名
mapred.job.priority	做業優先級
mapred.job.map.capacity	最多同時運行map任務數
mapred.job.reduce.capacity	最多同時運行reduce任務數
hadoop.job.ugi	做業執行權限
mapred.map.tasks	map任務個數
mapred.reduce.tasks	reduce任務個數
mapred.job.groups	做業可運行的計算節點分組
mapred.task.timeout	任務沒有響應（輸入輸出）的最大時間
mapred.compress.map.output	map的輸出是否壓縮
mapred.map.output.compression.codec	map的輸出壓縮方式
mapred.output.compress	reduce的輸出是否壓縮
mapred.output.compression.codec	reduce的輸出壓縮方式
stream.map.output.field.separator	map輸出分隔符

 l -combiner：指定combiner Java類，對應的Java類文件打包成jar文件後用-file分發。

l -partitioner：指定partitioner Java類，Streaming提供了一些實用的partitioner實現，參考KeyBasedFiledPartitoner和IntHashPartitioner。

l -inputformat, -outputformat：指定inputformat和outputformat Java類，用於讀取輸入數據和寫入輸出數據，分別要實現InputFormat和OutputFormat接口。若是不指定，默認使用TextInputFormat和TextOutputFormat。

l -cmdenv NAME=VALUE：給mapper和reducer程序傳遞額外的環境變量，NAME是變量名，VALUE是變量值。

l -mapdebug, -reducedebug：分別指定mapper和reducer程序失敗時運行的debug程序。

l -verbose：指定輸出詳細信息，例如分發哪些文件，實際做業配置參數值等，能夠用於調試。

from：http://www.cnblogs.com/luchen927/archive/2012/01/16/2323479.html