Hadoop Streaming

Hadoop Streaming

??? Hadoop Streaming
??? Streaming工作原理
??? 將文件打包到提交的作業中
??? Streaming選項與用法
??????? 只使用Mapper的作業
??????? 為作業指定其他插件
??????? Hadoop Streaming中的大文件和檔案
??????? 為作業指定附加配置參數
??????? 其他選項
??? 其他例子
??????? 使用自定義的方法切分行來形成Key/Value對
??????? 一個實用的Partitioner類 （二次排序，-partitioner org.apache.hadoop.mapred.lib.KeyFieldBasedPartitioner 選項）
??????? Hadoop聚合功能包的使用（-reduce aggregate 選項）
??????? 字段的選取（類似于unix中的 'cut' 命令）
??? 常見問題
??????? 我該怎樣使用Hadoop Streaming運行一組獨立（相關）的任務呢？
??????? 如何處理多個文件，其中每個文件一個map？
??????? 應該使用多少個reducer？
??????? 如果在Shell腳本里設置一個別名，并放在-mapper之后，Streaming會正常運行嗎？例如，alias cl='cut -fl'，-mapper "cl"會運行正常嗎？
??????? 我可以使用UNIX pipes嗎？例如 –mapper "cut –fl | set s/foo/bar/g"管用么？
??????? 在streaming作業中用-file選項運行一個分布式的超大可執行文件（例如，3.6G）時，我得到了一個錯誤信息“No space left on device”。如何解決？
??????? 如何設置多個輸入目錄？
??????? 如何生成gzip格式的輸出文件？
??????? Streaming中如何自定義input/output format？
??????? Streaming如何解析XML文檔？
??????? 在streaming應用程序中如何更新計數器？
??????? 如何更新streaming應用程序的狀態？

Hadoop streaming是Hadoop的一個工具， 它幫助用戶創建和運行一類特殊的map/reduce作業， 這些特殊的map/reduce作業是由一些可執行文件或腳本文件充當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工作原理

在上面的例子里，mapper和reducer都是可執行文件，它們從標準輸入讀入數據（一行一行讀），并把計算結果發給標準輸出。Streaming工具會創建一個Map/Reduce作業，并把它發送給合適的集群，同時監視這個作業的整個執行過程。

如果一個可執行文件被用于mapper，則在mapper初始化時，每一個mapper任務會把這個可執行文件作為一個單獨的進程啟動。mapper任務運行時，它把輸入切分成行并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，并把收到的每一行內容轉化成key/value對，作為mapper的輸出。默認情況下，一行中第一個tab之前的部分作為key，之后的（不包括tab）作為value。如果沒有tab，整行作為key值，value值為null。不過，這可以定制，在下文中將會討論如何自定義key和value的切分方式。

如果一個可執行文件被用于reducer，每個reducer任務會把這個可執行文件作為一個單獨的進程啟動。Reducer任務運行時，它把輸入切分成行并把每一行提供給可執行文件進程的標準輸入。同時，reducer收集可執行文件進程標準輸出的內容，并把每一行內容轉化成key/value對，作為reducer的輸出。默認情況下，一行中第一個tab之前的部分作為key，之后的（不包括tab）作為value。在下文中將會討論如何自定義key和value的切分方式。

這是Map/Reduce框架和streaming mapper/reducer之間的基本通信協議。

用戶也可以使用java類作為mapper或者reducer。上面的例子與這里的代碼等價：

$HADOOP_HOME/bin/hadoop jar $HADOOP_HOME/hadoop-streaming.jar \-input myInputDirs \-output myOutputDir \-mapper org.apache.hadoop.mapred.lib.IdentityMapper \-reducer /bin/wc

用戶可以設定stream.non.zero.exit.is.failure true 或false 來表明streaming task的返回值非零時是Failure 還是Success。默認情況，streaming task返回非零時表示失敗。

將文件打包到提交的作業中

任何可執行文件都可以被指定為mapper/reducer。這些可執行文件不需要事先存放在集群上；如果在集群上還沒有，則需要用-file選項讓framework把可執行文件作為作業的一部分，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個用戶把可執行python文件作為mapper。其中的選項“-file myPythonScirpt.py”使可執行python文件作為作業提交的一部分被上傳到集群的機器上。

除了可執行文件外，其他mapper或reducer需要用到的輔助文件（比如字典，配置文件等）也可以用這種方式打包上傳。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選項與用法

只使用Mapper的作業

有時只需要map函數處理輸入數據。這時只需把mapred.reduce.tasks設置為零，Map/reduce框架就不會創建reducer任務，mapper任務的輸出就是整個作業的最終輸出。

為了做到向下兼容，Hadoop Streaming也支持“-reduce None”選項，它與“-jobconf mapred.reduce.tasks=0”等價。

為作業指定其他插件

和其他普通的Map/Reduce作業一樣，用戶可以為streaming作業指定其他插件：

-inputformat JavaClassName-outputformat JavaClassName-partitioner JavaClassName-combiner JavaClassName

用于處理輸入格式的類要能返回Text類型的key/value對。如果不指定輸入格式，則默認會使用TextInputFormat。因為TextInputFormat得到的key值是LongWritable類型的（其實key值并不是輸入文件中的內容，而是value偏移量），所以key會被丟棄，只把value用管道方式發給mapper。

用戶提供的定義輸出格式的類需要能夠處理Text類型的key/value對。如果不指定輸出格式，則默認會使用TextOutputFormat類。

Hadoop Streaming中的大文件和檔案

任務使用-cacheFile和-cacheArchive選項在集群中分發文件和檔案，選項的參數是用戶已上傳至HDFS的文件或檔案的URI。這些文件和檔案在不同的作業間緩存。用戶可以通過fs.default.name.config配置參數的值得到文件所在的host和fs_port。

這個是使用-cacheFile選項的例子：

-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務當前工作目錄下的符號鏈接的名字。這里的任務的當前工作目錄下有一個“testlink”符號鏈接，它指向testfile.txt文件在本地的拷貝。如果有多個文件，選項可以寫成：

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

-cacheArchive選項用于把jar文件拷貝到任務當前工作目錄并自動把jar文件解壓縮。例如：

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

在上面的例子中，testlink3是當前工作目錄下的符號鏈接，它指向testfile.jar解壓后的目錄。

下面是使用-cacheArchive選項的另一個例子。其中，input.txt文件有兩行內容，分別是兩個文件的名字：testlink/cache.txt和testlink/cache2.txt?！皌estlink”是指向檔案目錄（jar文件解壓后的目錄）的符號鏈接，這個目錄下有“cache.txt”和“cache2.txt”兩個文件。

$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 <r 3> 69$ hadoop dfs -cat /user/me/samples/cachefile/out/part-00000 This is just the cache string This is just the second cache string

為作業指定附加配置參數

用戶可以使用“-jobconf <n>=<v>”增加一些配置變量。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表明用兩個reducer完成作業。

關于jobconf參數的更多細節可以參考：hadoop-default.html

其他選項

Streaming 作業的其他選項如下表：

選項可選/必須描述

-cluster name	可選	在本地Hadoop集群與一個或多個遠程集群間切換
-dfs host:port or local	可選	覆蓋作業的HDFS配置
-jt host:port or local	可選	覆蓋作業的JobTracker配置
-additionalconfspec specfile	可選	用一個類似于hadoop-site.xml的XML文件保存所有配置，從而不需要用多個"-jobconf name=value"類型的選項單獨為每個配置變量賦值
-cmdenv name=value	可選	傳遞環境變量給streaming命令
-cacheFile fileNameURI	可選	指定一個上傳到HDFS的文件
-cacheArchive fileNameURI	可選	指定一個上傳到HDFS的jar文件，這個jar文件會被自動解壓縮到當前工作目錄下
-inputreader JavaClassName	可選	為了向下兼容：指定一個record reader類（而不是input format類）
-verbose	可選	詳細輸出

使用-cluster <name>實現“本地”Hadoop和一個或多個遠程Hadoop集群間切換。默認情況下，使用hadoop-default.xml和hadoop-site.xml；當使用-cluster <name>選項時，會使用$HADOOP_HOME/conf/hadoop-<name>.xml。

下面的選項改變temp目錄：

-jobconf dfs.data.dir=/tmp

下面的選項指定其他本地temp目錄：

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

更多有關jobconf的細節請參考：http://wiki.apache.org/hadoop/JobConfFile

在streaming命令中設置環境變量：

-cmdenv EXAMPLE_DIR=/home/example/dictionaries/

其他例子

使用自定義的方法切分行來形成Key/Value對

之前已經提到，當Map/Reduce框架從mapper的標準輸入讀取一行時，它把這一行切分為key/value對。在默認情況下，每行第一個tab符之前的部分作為key，之后的部分作為value（不包括tab符）。

但是，用戶可以自定義，可以指定分隔符是其他字符而不是默認的tab符，或者指定在第n（n>=1）個分割符處分割而不是默認的第一個。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“.”作為map輸出內容的分隔符，并且從在第四個“.”之前的部分作為key，之后的部分作為value（不包括這第四個“.”）。 如果一行中的“.”少于四個，則整行的內容作為key，value設為空的Text對象（就像這樣創建了一個Text：new Text("")）。

同樣，用戶可以使用“-jobconf stream.reduce.output.field.separator=SEP”和“-jobconf stream.num.reduce.output.fields=NUM”來指定reduce輸出的行中，第幾個分隔符處分割key和value。

一個實用的Partitioner類 （二次排序，-partitioner org.apache.hadoop.mapred.lib.KeyFieldBasedPartitioner 選項）

Hadoop有一個工具類org.apache.hadoop.mapred.lib.KeyFieldBasedPartitioner，它在應用程序中很有用。Map/reduce框架用這個類切分map的輸出，切分是基于key值的前綴，而不是整個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用這兩個變量來得到mapper的key/value對。

上面的Map/Reduce 作業中map輸出的key一般是由“.”分割成的四塊。但是因為使用了-jobconf num.key.fields.for.partition=2 選項，所以Map/Reduce框架使用key的前兩塊來切分map的輸出。其中，-jobconf map.output.key.field.separator=.指定了這次切分使用的key的分隔符。這樣可以保證在所有key/value對中，key值前兩個塊值相同的所有key被分到一組，分配給一個reducer。

這種高效的方法等價于指定前兩塊作為主鍵，后兩塊作為副鍵。主鍵用于切分塊，主鍵和副鍵的組合用于排序。一個簡單的示例如下：

Map的輸出（key）

11.12.1.2 11.14.2.3 11.11.4.1 11.12.1.1 11.14.2.2

切分給3個reducer（前兩塊的值用于切分）

11.11.4.1 ----------- 11.12.1.2 11.12.1.1 ----------- 11.14.2.3 11.14.2.2

在每個切分后的組內排序（四個塊的值都用于排序）

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 選項）

Hadoop有一個工具包“Aggregate”（https://svn.apache.org/repos/asf/hadoop/core/trunk/src/java/org/apache/hadoop/mapred/lib/aggregate）?！癆ggregate”提供一個特殊的reducer類和一個特殊的combiner類，并且有一系列的“聚合器”（“aggregator”）（例如“sum”，“max”，“min”等）用于聚合一組value的序列。用戶可以使用Aggregate定義一個mapper插件類，這個類用于為mapper輸入的每個key/value對產生“可聚合項”。combiner/reducer利用適當的聚合器聚合這些可聚合項。

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/pythonimport 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)

字段的選取（類似于unix中的 'cut' 命令）

Hadoop的工具類org.apache.hadoop.mapred.lib.FieldSelectionMapReduce幫助用戶高效處理文本數據，就像unix中的“cut”工具。工具類中的map函數把輸入的key/value對看作字段的列表。用戶可以指定字段的分隔符（默認是tab），可以選擇字段列表中任意一段（由列表中一個或多個字段組成）作為map輸出的key或者value。同樣，工具類中的reduce函數也把輸入的key/value對看作字段的列表，用戶可以選取任意一段作為reduce輸出的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

選項“-jobconf map.output.key.value.fields.spec=6,5,1-3:0-”指定了如何為map的輸出選取key和value。Key選取規則和value選取規則由“:”分割。在這個例子中，map輸出的key由字段6，5，1，2和3組成。輸出的value由所有字段組成（“0-”指字段0以及之后所有字段）。

選項“-jobconf reduce.output.key.value.fields.spec=0-2:0-”（譯者注：此處應為”0-2:5-“）指定如何為reduce的輸出選取value。本例中，reduce的輸出的key將包含字段0，1，2（對應于原始的字段6，5，1）。reduce輸出的value將包含起自字段5的所有字段（對應于所有的原始字段）。

常見問題

我該怎樣使用Hadoop Streaming運行一組獨立（相關）的任務呢？

多數情況下，你不需要Map Reduce的全部功能，而只需要運行同一程序的多個實例，或者使用不同數據，或者在相同數據上使用不同的參數。你可以通過Hadoop Streaming來實現。

如何處理多個文件，其中每個文件一個map？

例如這樣一個問題，在集群上壓縮（zipping）一些文件，你可以使用以下幾種方法：

使用Hadoop Streaming和用戶編寫的mapper腳本程序：

• 生成一個文件，文件中包含所有要壓縮的文件在HDFS上的完整路徑。每個map 任務獲得一個路徑名作為輸入。
• 創建一個mapper腳本程序，實現如下功能：獲得文件名，把該文件拷貝到本地，壓縮該文件并把它發到期望的輸出目錄。

使用現有的Hadoop框架：

• 在main函數中添加如下命令： FileOutputFormat.setCompressOutput(conf, true);FileOutputFormat.setOutputCompressorClass(conf, org.apache.hadoop.io.compress.GzipCodec.class);conf.setOutputFormat(NonSplitableTextInputFormat.class);conf.setNumReduceTasks(0);
• 編寫map函數： public void map(WritableComparable key, Writable value, OutputCollector output, Reporter reporter) throws IOException {output.collect((Text)value, null);}
• 注意輸出的文件名和原文件名不同

應該使用多少個reducer？

請參考Hadoop Wiki：Reducer

如果在Shell腳本里設置一個別名，并放在-mapper之后，Streaming會正常運行嗎？例如，alias cl='cut -fl'，-mapper "cl"會運行正常嗎？

腳本里無法使用別名，但是允許變量替換，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 <r 3> 16$ hadoop dfs -cat samples/student_out/part-00000 50 70 75 80

我可以使用UNIX pipes嗎？例如 –mapper "cut –fl | set s/foo/bar/g"管用么？

現在不支持，而且會給出錯誤信息“java.io.IOException: Broken pipe”。這或許是一個bug，需要進一步研究。

在streaming作業中用-file選項運行一個分布式的超大可執行文件（例如，3.6G）時，我得到了一個錯誤信息“No space left on device”。如何解決？

配置變量stream.tmpdir指定了一個目錄，在這個目錄下要進行打jar包的操作。stream.tmpdir的默認值是/tmp，你需要將這個值設置為一個有更大空間的目錄：

-jobconf stream.tmpdir=/export/bigspace/...

如何設置多個輸入目錄？

可以使用多個-input選項設置多個輸入目錄：

hadoop jar hadoop-streaming.jar -input '/user/foo/dir1' -input '/user/foo/dir2'

如何生成gzip格式的輸出文件？

除了純文本格式的輸出，你還可以生成gzip文件格式的輸出，你只需設置streaming作業中的選項‘-jobconf mapred.output.compress=true -jobconf mapred.output.compression.codec=org.apache.hadoop.io.compress.GzipCode’。

Streaming中如何自定義input/output format？

至少在Hadoop 0.14版本以前，不支持多個jar文件。所以當指定自定義的類時，你要把他們和原有的streaming jar打包在一起，并用這個自定義的jar包替換默認的hadoop streaming jar包。

Streaming如何解析XML文檔？

你可以使用StreamXmlRecordReader來解析XML文檔。

hadoop jar hadoop-streaming.jar -inputreader "StreamXmlRecord,begin=BEGIN_STRING,end=END_STRING" ..... (rest of the command)

Map任務會把BEGIN_STRING和END_STRING之間的部分看作一條記錄。

在streaming應用程序中如何更新計數器？

streaming進程能夠使用stderr發出計數器信息。reporter:counter:<group>,<counter>,<amount>應該被發送到stderr來更新計數器。

如何更新streaming應用程序的狀態？

streaming進程能夠使用stderr發出狀態信息。reporter:status:<message> 要被發送到stderr來設置狀態。

出處：http://hadoop.apache.org/docs/r1.0.4/cn/streaming.html

總結

以上是生活随笔為你收集整理的Hadoop Streaming的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。