hadoop-streaming 例子

Hadoop Streaming是Hadoop提供的一個編程工具，它容許用戶使用任何可執行文件或者腳本文件做爲Mapper和Reducer，例如：

採用shell腳本語言中的一些命令做爲mapper和reducer（cat做爲mapper，wc做爲reducer）

bin/hadoop jar contrib/streaming/hadoop-0.20.2-streaming.jar -input
input -output output -mapper /bin/cat -reducer /usr/bin/wc

mapper和reducer會從標準輸入中讀取用戶數據，一行一行處理後發送給標準輸出。Streaming工具會建立MapReduce做業，發送給各個tasktracker，同時監控整個做業的執行過程。

若是一個文件（可執行或者腳本）做爲mapper，mapper初始化時，每個mapper任務會把該文件做爲一個單獨進程啓動，mapper任務運行時，它把輸入切分紅行並把每一行提供給可執行文件進程的標準輸入。 同時，mapper收集可執行文件進程標準輸出的內容，並把收到的每一行內容轉化成key/value對，做爲mapper的輸出。 默認狀況下，一行中第一個tab以前的部分做爲key，以後的（不包括tab）做爲value。若是沒有tab，整行做爲key值，value值爲null。

對於reducer，相似。

以上是Map/Reduce框架和streaming mapper/reducer之間的基本通訊協議。

Hadoop Streaming用法

Usage: $HADOOP_HOME/bin/hadoop jar \

$HADOOP_HOME/contrib/streaming/hadoop-*-streaming.jar [options]

options：

（1）-input：輸入文件路徑

（2）-output：輸出文件路徑

（3）-mapper：用戶本身寫的mapper程序，能夠是可執行文件或者腳本

（4）-reducer：用戶本身寫的reducer程序，能夠是可執行文件或者腳本

（5）-file：打包文件到提交的做業中，能夠是mapper或者reducer要用的輸入文件，如配置文件，字典等。

（6）-partitioner：用戶自定義的partitioner程序

（7）-combiner：用戶自定義的combiner程序（必須用java實現）

（8）-D：做業的一些屬性（之前用的是-jonconf），具體有：
            1）mapred.map.tasks：map task數目
            2）mapred.reduce.tasks：reduce task數目
            3）stream.map.input.field.separator/stream.map.output.field.separator： map task輸入/輸出數
據的分隔符,默認均爲\t。
             4）stream.num.map.output.key.fields：指定map task輸出記錄中key所佔的域數目
             5）stream.reduce.input.field.separator/stream.reduce.output.field.separator：reduce task輸入/輸出數據的分隔符，默認均爲\t。
             6）stream.num.reduce.output.key.fields：指定reduce task輸出記錄中key所佔的域數目
另外，Hadoop自己還自帶一些好用的Mapper和Reducer：

參照：

http://dongxicheng.org/mapreduce/hadoop-streaming-programming/