Hadoop Streaming 编程

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 。

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/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）字段的选取（类似于Unix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。

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：

string key;
while(cin>>key){
  cin>>value;
   ….
}

（3）C语言：

char buffer[BUF_SIZE];
while(fgets(buffer, BUF_SIZE - 1, stdin)) {
  int len = strlen(buffer);
  …
}

（4）Shell脚本

用管道

（5） Python脚本

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

//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

//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

$HADOOP_HOME/bin/hadoop  jar $HADOOP_HOME/hadoop-streaming.jar \
    -input myInputDirs \
    -output myOutputDir \
    -mapper cat \
   -reducer  wc

（4）Python脚本语言实现

#!/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

（1）作业总是运行失败：

需要把mapper文件和reducer文件放到各个tasktracker上，保证各个节点均有一份。也可在提交作业时，采用-file选项指定这些文件。

（2）用脚本编写时，第一行需注明脚本解释器，默认是shell

6、参考资料

【1】 C++&Python实现Hadoop Streaming的paritioner和模块化

【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 ！