Chinaunix首页 | 论坛 | 博客

wisecool

首页　| 　博文目录　| 　关于我

jockeyzou

  • 博客访问： 133572
  • 博文数量： 69
  • 博客积分： 2895
  • 博客等级： 少校
  • 技术积分： 710
  • 用 户 组： 普通用户
  • 注册时间： 2010-09-03 18:05
文章分类

全部博文（69）

文章存档

2010年（69）

我的朋友
最近访客
推荐博文
Hadoop Streaming

分类：

2010-09-09 13:28:23

Hadoop streaming是Hadoop的一个工具， 它帮助用户创建和运行一类特殊的map/reduce作业， 这些特殊的map/reduce作业是由一些可执行或脚本文件充当mapper或者reducer。例如：

$HADOOP_HOME/bin/hadoop  jar $HADOOP_HOME/hadoop-streaming.jar \

-input myInputDirs \

-output myOutputDir \

-mapper /bin/cat \

-reducer /bin/wc

Streaming工 作

在上面的例子里，mapper和reducer都是可执行文件，它们从标准输入读入（一行一行读）， 并把计算结果发给标准输出。Streaming工具会创建一个Map/Reduce作业， 并把它发送给合适的集群，同时监视这个作业的整个执行过程。

如果一个可执行文件被用于mapper，则在mapper初始化时， 每一个mapper任务会把这个可执行文件作为一个单独的进程启动。 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。不过，这可以定制，在下文中将会讨论如何自定义key和value的切分方式。

如 果一个可执行文件被用于reducer，每个reducer任务会把这个可执行文件作为一个单独的进程启动。 Reducer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，reducer收集可执行文件进程标准输出的内容，并把每一行内容转化成key/value对，作为reducer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。在下文中将会讨论如何自定义key和value的切分方 式。

这是Map/Reduce框架和streaming mapper/reducer之间的基本通信。

用户也可以使用类作为mapper或者reducer。上面的例子与 这里的代码等价：

$HADOOP_HOME/bin/hadoop  jar $HADOOP_HOME/hadoop-streaming.jar \

-input myInputDirs \

-output myOutputDir \

-mapper org.apache.hadoop.mapred.lib.IdentityMapper \

-reducer /bin/wc

用 户可以设定stream.non.zero.exit.is.failure true 或false 来表明 streaming task的返回值非零时是Failure 还是Success 。默认情况，streaming task返回非零时表示失败。

将文件打包到提交的作业 中

任何可执行文件都可以被指定为mapper/reducer。这些可执行文件不需要事先存 放在集群上； 如果在集群上还没有，则需要用-file选项让framework把可执行文件作为作业的一部分，一起打包提交。例如：

$HADOOP_HOME/bin/hadoop  jar $HADOOP_HOME/hadoop-streaming.jar \

-input myInputDirs \

-output myOutputDir \

-mapper myPythonScript.py \

-reducer /bin/wc \

-file myPythonScript.py

上 面的例子描述了一个用户把可执行python文件作为mapper。 其中的选项“-file myPythonScirpt.py”使可执行python文件作为作业提交的一部分被上传到集群的机器上。

除了 可执行文件外，其他mapper或reducer需要用到的辅助文件（比如字典，配置文件等）也可以用这种方式打包上传。例如：

$HADOOP_HOME/bin/hadoop  jar $HADOOP_HOME/hadoop-streaming.jar \

-input myInputDirs \

-output myOutputDir \

-mapper myPythonScript.py \

-reducer /bin/wc \

-file myPythonScript.py \

-file myDictionary.txt

Streaming 选项与用法

只使用Mapper的作业

有时只需要map函数处理输 入数据。这时只需把mapred.reduce.tasks设置为零，Map/reduce框架就不会创建reducer任务，mapper任务的输出就 是整个作业的最终输出。

为了做到向下兼容，Hadoop Streaming也支持“-reduce None”选项，它与“-jobconf mapred.reduce.tasks=0”等价。

为作业指定其他插件

和其他普通的Map/Reduce作业 一样，用户可以为streaming作业指定其他插件：

-inputformat JavaClassName

-outputformat JavaClassName

-partitioner JavaClassName

-combiner JavaClassName

用 于处理输入格式的类要能返回Text类型的key/value对。如果不指定输入格式，则默认会使用TextInputFormat。 因为TextInputFormat得到的key值是LongWritable类型的（其实key值并不是输入文件中的内容，而是value偏移量）， 所以key会被丢弃，只把value用管道方式发给mapper。

用户提供的定义输出格式的类需要能够处理Text类型的 key/value对。如果不指定输出格式，则默认会使用TextOutputFormat类。

Hadoop Streaming中的大文件和档案

任务使用-cacheFile和-cacheArchive选项在集群中分发文件和档案，选项的参数 是用户已上传至HDFS的文件或档案的URI。 这些文件和档案在不同的作业间缓存。用户可以通过fs.default.name.config配置参数的值得到文件所在的host和fs_port。

这 个是使用-cacheFile选项的例子：

-cacheFile hdfs://host:fs_port/user/testfile.txt#testlink

在 上面的例子里，url中#后面的部分是建立在任务当前工作目录下的符号链接的名字。这里的任务的当前工作目录下有一个“testlink”符号链接，它指 向testfile.txt文件在本地的拷贝。如果有多个文件，选项可以写成：

-cacheFile hdfs://host:fs_port/user/testfile1.txt#testlink1 -cacheFile hdfs://host:fs_port/user/testfile2.txt#testlink2

-cacheArchive 选项用于把jar文件拷贝到任务当前工作目录并自动把jar文件解压缩。例如：

-cacheArchive hdfs://host:fs_port/user/testfile.jar#testlink3

在 上面的例子中，testlink3是当前工作目录下的符号链接，它指向testfile.jar解压后的目录。

下面是使用 -cacheArchive选项的另一个例子。其中，input.txt文件有两行内容，分别是两个文件的名 字：testlink/cache.txt和testlink/cache2.txt。“testlink”是指向档案目录（jar文件解压后的目录）的 符号链接，这个目录下有“cache.txt”和“cache2.txt”两个文件。

$HADOOP_HOME/bin/hadoop  jar $HADOOP_HOME/hadoop-streaming.jar \

-input "/user/me/samples/cachefile/input.txt"  \

-mapper "xargs cat"  \

-reducer "cat"  \

-output "/user/me/samples/cachefile/out" \

-cacheArchive 'hdfs://hadoop-nn1.example.com/user/me/samples/cachefile/cachedir.jar#testlink' \

-jobconf mapred.map.tasks=1 \

-jobconf mapred.reduce.tasks=1 \

-jobconf mapred.job.name="Experiment"



$ ls test_jar/

cache.txt  cache2.txt



$ jar cvf cachedir.jar -C test_jar/ .

added manifest

adding: cache.txt(in = 30) (out= 29)(deflated 3%)

adding: cache2.txt(in = 37) (out= 35)(deflated 5%)



$ hadoop dfs -put cachedir.jar samples/cachefile



$ hadoop dfs -cat /user/me/samples/cachefile/input.txt

testlink/cache.txt

testlink/cache2.txt



$ cat test_jar/cache.txt

This is just the cache string



$ cat test_jar/cache2.txt

This is just the second cache string



$ hadoop dfs -ls /user/me/samples/cachefile/out

Found 1 items

/user/me/samples/cachefile/out/part-00000     69



$ hadoop dfs -cat /user/me/samples/cachefile/out/part-00000

This is just the cache string

This is just the second cache string

为作业指定附加配置参数

用 户可以使用“-jobconf =”增加一些配置变量。例如：

$HADOOP_HOME/bin/hadoop  jar $HADOOP_HOME/hadoop-streaming.jar \

-input myInputDirs \

-output myOutputDir \

-mapper org.apache.hadoop.mapred.lib.IdentityMapper\

-reducer /bin/wc \

-jobconf mapred.reduce.tasks=2

上 面的例子中，-jobconf mapred.reduce.tasks=2表明用两个reducer完成作业。

关于jobconf参数的 更多细节可以参考：hadoop-default.html

其他选项

Streaming 作业的其他选项如下表：

选项可选/必须描述
-cluster name可 选在本地Hadoop集群与一个或多个远程集群间切换
-dfs host:port or local可选覆盖作业的HDFS配置
-jt host:port or local可选覆盖作业的JobTracker配置
-additionalconfspec specfile可选用一个类似于hadoop- site.xml的XML文件保存所有配置，从而不需要用多个"-jobconf name=value"类型的选项单独为每个配置变量赋值
-cmdenv name=value可选传递环境变量给streaming命令
-cacheFile fileNameURI可选指定一个上传到HDFS的文件
-cacheArchive fileNameURI可选指定一个上传到HDFS的jar文件，这个jar文件 会被自动解压缩到当前工作目录下
-inputreader JavaClassName可选为了向下兼容：指定一个record reader类（而不是input format类）
-verbose可选详细输出

使用-cluster 实现“本地”Hadoop和一个或多个远程Hadoop集群间切换。默认情况下，使用hadoop-default.xml和 hadoop-site.xml；当使用-cluster 选项时，会使用$HADOOP_HOME/conf/hadoop-.xml。

下面的选 项改变temp目录：

-jobconf dfs.data.dir=/tmp

下 面的选项指定其他本地temp目录：

-jobconf mapred.local.dir=/tmp/local

-jobconf mapred.system.dir=/tmp/system

-jobconf mapred.temp.dir=/tmp/temp

更 多有关jobconf的细节请参考：

在 streaming命令中环境变量：

-cmdenv EXAMPLE_DIR=/home/example/dictionaries/

其他例子

使用自定义的方法切分行来形成Key/Value对

之前已经提到，当Map/Reduce框架从mapper的 标准输入读取一行时，它把这一行切分为key/value对。 在默认情况下，每行第一个tab符之前的部分作为key，之后的部分作为value（不包括tab符）。

但是，用户可以自定义，可以指定分 隔符是其他字符而不是默认的tab符，或者指定在第n（n>=1）个分割符处分割而不是默认的第一个。例如：

$HADOOP_HOME/bin/hadoop  jar $HADOOP_HOME/hadoop-streaming.jar \

-input myInputDirs \

-output myOutputDir \

-mapper org.apache.hadoop.mapred.lib.IdentityMapper \

-reducer org.apache.hadoop.mapred.lib.IdentityReducer \

-jobconf stream.map.output.field.separator=. \

-jobconf stream.num.map.output.key.fields=4

在 上面的例子，“-jobconf stream.map.output.field.separator=.”指定“.”作为map输出内容的分隔符，并且从在第四个“.”之前的部分作为 key，之后的部分作为value（不包括这第四个“.”）。 如果一行中的“.”少于四个，则整行的内容作为key，value设为空的Text对象（就像这样创建了一个Text：new Text("")）。

同 样，用户可以使用“-jobconf stream.reduce.output.field.separator=SEP”和“-jobconf stream.num.reduce.output.fields=NUM”来指定reduce输出的行中，第几个分隔符处分割key和value。

一个实用的 Partitioner类 （二次排序，-partitioner org.apache.hadoop.mapred.lib.KeyFieldBasedPartitioner 选项）

Hadoop有 一个工具类org.apache.hadoop.mapred.lib.KeyFieldBasedPartitioner， 它在程序中很有用。 Map/reduce框架用这个类切分map的输出， 切分是基于key值的前缀，而不是整个key。例如：

$HADOOP_HOME/bin/hadoop  jar $HADOOP_HOME/hadoop-streaming.jar \

-input myInputDirs \

-output myOutputDir \

-mapper org.apache.hadoop.mapred.lib.IdentityMapper \

-reducer org.apache.hadoop.mapred.lib.IdentityReducer \

-partitioner org.apache.hadoop.mapred.lib.KeyFieldBasedPartitioner \

-jobconf stream.map.output.field.separator=. \

-jobconf stream.num.map.output.key.fields=4 \

-jobconf map.output.key.field.separator=. \

-jobconf num.key.fields.for.partition=2 \

-jobconf mapred.reduce.tasks=12

其 中，-jobconf stream.map.output.field.separator=. 和-jobconf stream.num.map.output.key.fields=4 是前文中的例子。Streaming用这两个变量来得到mapper的 key/value对。

上面的Map/Reduce 作业中map输出的key一般是由“.”分割成的四块。但是因为使用了-jobconf num.key.fields.for.partition=2 选项，所以Map/Reduce框架使用key的前两块来切分map的输出。 其中，-jobconf map.output.key.field.separator=. 指定了这次切分使用的key的分隔符。这 样可以保证在所有key/value对中， key值前两个块值相同的所有key被分到一组，分配给一个reducer。

这种高效的方法等价于指定前两块作为主键，后两块作为 副键。 主键用于切分块，主键和副键的组合用于排序。 一个简单的示例如下：

Map的输出（key）

11.12.1.2

11.14.2.3

11.11.4.1

11.12.1.1

11.14.2.2

切 分给3个reducer（前两块的值用于切分）

11.11.4.1

-----------

11.12.1.2

11.12.1.1

-----------

11.14.2.3

11.14.2.2

在 每个切分后的组内排序（四个块的值都用于排序）

11.11.4.1

-----------

11.12.1.1

11.12.1.2

-----------

11.14.2.2

11.14.2.3

Hadoop聚合功能包的使用（-reduce aggregate 选项）

Hadoop有一个工具包 “Aggregate”（ ）。 “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”（“aggregator”）（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”：

$HADOOP_HOME/bin/hadoop  jar $HADOOP_HOME/hadoop-streaming.jar \

-input myInputDirs \

-output myOutputDir \

-mapper myAggregatorForKeyCount.py \

-reducer aggregate \

-file myAggregatorForKeyCount.py \

-jobconf mapred.reduce.tasks=12

python 程序myAggregatorForKeyCount.py例子：

#!/usr/bin/python



import sys;



def generateLongCountToken(id):

return "LongValueSum:" + id + "\t" + "1"



def main(argv):

line = sys.stdin.readline();

try:

while line:

line = line[:-1];

fields = line.split("\t");

print generateLongCountToken(fields[0]);

line = sys.stdin.readline();

except "end of file":

return None

if __name__ == "__main__":

main(sys.argv)

字段的选取（类似于中 的 'cut' ）

Hadoop 的工具类org.apache.hadoop.mapred.lib.FieldSelectionMapReduce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。例 如：

$HADOOP_HOME/bin/hadoop  jar $HADOOP_HOME/hadoop-streaming.jar \

-input myInputDirs \

-output myOutputDir \

-mapper org.apache.hadoop.mapred.lib.FieldSelectionMapReduce\

-reducer org.apache.hadoop.mapred.lib.FieldSelectionMapReduce\

-partitioner org.apache.hadoop.mapred.lib.KeyFieldBasedPartitioner \

-jobconf map.output.key.field.separa=. \

-jobconf num.key.fields.for.partition=2 \

-jobconf mapred.data.field.separator=. \

-jobconf map.output.key.value.fields.spec=6,5,1-3:0- \

-jobconf reduce.output.key.value.fields.spec=0-2:5- \

-jobconf mapred.reduce.tasks=12

选 项“-jobconf map.output.key.value.fields.spec=6,5,1-3:0-”指定了如何为map的输出选取key和value。Key选 取规则和value选取规则由“:”分割。 在这个例子中，map输出的key由字段6，5，1，2和3组成。输出的value由所有字段组成（“0-”指字段0以及之后所有字段）。

选 项“-jobconf reduce.output.key.value.fields.spec=0-2:0-”（译者注：此处应为”0-2:5-“）指定如何为reduce 的输出选取value。 本例中，reduce的输出的key将包含字段0，1，2（对应于原始的字段6，5，1）。 reduce输出的value将包含起自字段5的所有字段（对应于所有的原始字段）。

常见问题

我该怎样使用 Hadoop Streaming运行一组独立（相关）的任务呢？

多数情况下，你不需要Map Reduce的全部功能， 而只需要运行同一程序的多个，或者使用不同数 据，或者在相同数据上使用不同的参数。 你可以通过Hadoop Streaming来实现。

如何处理多个文件，其中每个文件一个map？

例 如这样一个问题，在集群上压缩（zipping）一些文件，你可以使用以下几种方法：

  1. 使用Hadoop Streaming和用户编写的mapper脚本程序：
    • 生成一个文件，文件中包含所有要压缩的文件在HDFS上的完整路径。每个map 任务获得一个路径名作为输入。
    • 创建一个mapper脚本程序，实现如下功能：获得文件名，把该文件拷贝到本地，压缩该文件并把它发到期 望的输出目录。
  2. 使用现有的Hadoop框架：
    • 在main函数中添加如下命令：
      FileOutputFormat.setCompressOutput(conf, true);
      
FileOutputFormat.setOutputCompressorClass(conf, org.apache.hadoop.io.compress.GzipCodec.class);
      
conf.setOutputFormat(NonSplitableTextInputFormat.class);
      
conf.setNumReduceTasks(0);
    • 编 写map函数：
      public void map(WritableComparable key, Writable value,
      
OutputCollector output,
      
Reporter reporter) throws IOException {
      
output.collect((Text)value, null);
      
}
    • 注 意输出的文件名和原文件名不同

应该使用多少个reducer？

请参考 Hadoop Wiki：

如 果在脚本里设置一个别名，并放在-mapper之 后，Streaming会正常运行吗？ 例如，alias cl='cut -fl'，-mapper "cl"会运行正常吗？

脚本里无法使用别名，但是允许变量替换，例如：

$ hadoop dfs -cat samples/student_marks

alice   50

bruce   70

charlie 80

dan     75



$ c2='cut -f2'; $HADOOP_HOME/bin/hadoop jar $HADOOP_HOME/hadoop-streaming.jar \

-input /user/me/samples/student_marks

-mapper \"$c2\" -reducer 'cat'

-output /user/me/samples/student_out

-jobconf mapred.job.name='Experiment'



$ hadoop dfs -ls samples/student_out

Found 1 items/user/me/samples/student_out/part-00000       16



$ hadoop dfs -cat samples/student_out/part-00000

50

70

75

80
阅读(774) | 评论(0) | 转发(0) |
0

上一篇：hadoop HDFS High Available相关背景

下一篇：hadoop中DFSClient写数据bug导致task永远无法退出

给主人留下些什么吧！~~
关于我们 | 关于IT168 | 联系方式 | 广告合作 | 法律声明 | 免费注册

Copyright 2001-2010 ChinaUnix.net All Rights Reserved 北京皓辰网域网络信息技术有限公司. 版权所有

感谢所有关心和支持过ChinaUnix的朋友们

16024965号-6