Hadoop-2.4.1学习之Streaming编程

在之前的文章曾提到Hadoop不仅支持用Java编写的job，也支持其他语言编写的作业，比方Hadoop Streaming（shell、python）和Hadoop Pipes（c++），本篇文章将学习Hadoop Streaming编程。

Streaming是hadoop自带的工具，封装在hadoop-streaming-版本.jar中，能够使用hadoop jar hadoop-streaming-版本.jar命令启动，在该命令中还须要指定mapper或/和reducer。当中mapper和reducer任务既能够是java类，也能够是可运行文件（如cat）或脚本文件（如python）。

该工具将创建MapReduce作业。将作业提交给集群处理并监控作业的运行进度等，以下分析一下Streaming的运行过程。

当可运行文件做为mapper或者reducer时，每一个mapper任务或者reducer任务在mapper或者reducer初始化后将可运行文件做为独立的进程载入运行。

当mapper任务运行时。它将输入转换为行然后把这些行传递给该进程的标准输入stdin，同一时候mapper收集从该进程的标准输出stdout产生的行并将每行转换为键值对。这些键值对将做为该mapper的输出。默认的情况下，一行的開始部分到第一个tab符为键，剩余的部分（不包括tab符）为值。假设某行不存在tab符，则整个行将做为键，而值为null。

但可通过使用-inputformat命令行选项自己定义键值分隔符。当reducer任务运行时，它将输入的键值对转换为行，然后传递给该进程的标准输入stdin，同一时候reducer任务收集该进程标准输出stdout的输出。并转换为键值对，这些键值对将做为reducer任务的输出。同mapper任务一样，默认使用tab符分隔键值对，用户能够使用-outputformat自己定义分隔符。

通过上面的描写叙述可知，mapper和reducer的的输出都为键值对。输入都为从对应进程的stdin输入的行，不同的是mapper是将输入数据转换为行，reducer是将mapper输出的键值对转换为行。

能够通过指定stream.non.zero.exit.is.failure的值为true或false表示streaming任务退出时状态码的含义，假设为true则非0值表示失败。若为false则非0表示成功，默认情况下。streaming任务退出时的状态码非0表示任务失败。接下来看看streaming工具的语法格式。用户能够通过在命令行输入hadoop jar hadoop-streaming-2.4.1.jar –help获取该工具的具体使用方法，例如以下表所看到的：

除了上表所述的专门用于streaming的选项外，在使用streaming工具时还能够指定通用选项。但须要确保通用选项位于streaming选项之前。否则将导致失败。

通用选项例如以下表所看到的：

前面以前提到，默认使用tab符分隔键值对，而且依照第一个tab符来分隔，而在非常多情况下。数据不是使用tab符分隔字段，而且希望某几个字段做为键，默认情况将不满足这种需求。此时用户能够通过使用对应的參数来改动默认设置，这几个參数为：

通过一个具体的演示样例代码来具体描写叙述上述參数的含义，在该段代码中使用点号（.）做为分隔符，而且第四个点号之前的字段为键，第四个点号（不包括该点号）后面的字段做为值。假设某行中的点号少于四个，则正行将做为键，值为空的Text对象。代码例如以下：

hadoop jar hadoop-streaming-2.4.1.jar     -D stream.map.output.field.separator=.     -D stream.num.map.output.key.fields=4     -input input     -output output     -mapper /bin/cat     -reducer /bin/cat

最后通过以下的演示样例代码结束Streaming编程的学习。在该代码中通过-files通用选项将两个python脚本上传到集群中，并分别做为mapper和reducer：

hadoop jar hadoop-streaming-2.4.1.jar -files mapperPythonScript.py, reducerPythonScript.py
-input myInputDirs     -output myOutputDir     -mapper mapperPythonScript.py     -reducer reducerPythonScript.py

本篇文章学习Hadoop Streaming编程，具体介绍了作业流程和參数的使用方式，至于怎样编写Streaming中的mapper和reducer，则须要依据用户使用的脚本语言（如python、shell）而定。