Hadoop Streaming框架使用（一）

红太狼 2022-01-07 16:21 220阅读 0赞

**Streaming简介**

Streaming框架允许任何程序语言实现的程序在Hadoop MapReduce中使用，方便已有程序向Hadoop平台移植。因此可以说对于hadoop的扩展性意义重大，今天简单说一下。

Streaming的原理是用Java实现一个包装用户程序的MapReduce程序，该程序负责调用MapReduce Java接口获取key/value对输入，创建一个新的进程启动包装的用户程序，将数据通过管道传递给包装的用户程序处理，然后调用MapReduce Java接口将用户程序的输出切分成key/value对输出。

**Streaming优点**

1 开发效率高，便于移植

只要按照标准输入输出格式进行编程，就可以满足hadoop要求。因此单机程序稍加改动就可以在集群上进行使用。 同样便于测试

只要按照 cat input | mapper | sort | reducer > output 进行单机测试即可。

如果单机测试通过，大多数情况是可以在集群上成功运行的，只要控制好内存就好了。

2 提高程序效率

有些程序对内存要求较高，如果用java控制内存毕竟不如C/C++。

**Streaming不足**

1 Hadoop Streaming默认只能处理文本数据，无法直接对二进制数据进行处理

2 Streaming中的mapper和reducer默认只能向标准输出写数据，不能方便地处理多路输出

**具体参数介绍**

<table> 
 <tbody> 
 <tr> 
 <td> -input&nbsp;&nbsp; &nbsp;&lt;path&gt; </td> 
 <td> 输入数据路径 </td> 
 </tr> 
 <tr> 
 <td> -output&nbsp; &nbsp;&lt;path&gt; </td> 
 <td> 输出数据路径 </td> 
 </tr> 
 <tr> 
 <td> -mapper &nbsp;&lt;cmd|JavaClassName&gt; </td> 
 <td> mapper可执行程序或Java类 </td> 
 </tr> 
 <tr> 
 <td> -reducer&nbsp; &lt;cmd|JavaClassName&gt; </td> 
 <td> reducer可执行程序或Java类 </td> 
 </tr> 
 <tr> 
 <td> -file&nbsp;&nbsp;&nbsp;&nbsp; &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&lt;file&gt;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;Optional </td> 
 <td> 分发本地文件 </td> 
 </tr> 
 <tr> 
 <td> -cacheFile&nbsp;&nbsp;&nbsp;&nbsp; &nbsp;&nbsp;&lt;file&gt;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;Optional </td> 
 <td> 分发HDFS文件 </td> 
 </tr> 
 <tr> 
 <td> -cacheArchive&nbsp;&nbsp;&nbsp;&lt;file&gt;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;Optional </td> 
 <td> 分发HDFS压缩文件 </td> 
 </tr> 
 <tr> 
 <td> -numReduceTasks &nbsp;&lt;num&gt;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;Optional </td> 
 <td> reduce任务个数 </td> 
 </tr> 
 <tr> 
 <td> -jobconf | -D NAME=VALUE &nbsp;&nbsp;&nbsp;Optional </td> 
 <td> 作业配置参数 </td> 
 </tr> 
 <tr> 
 <td> -combiner&nbsp;&lt;JavaClassName&gt;&nbsp;&nbsp;&nbsp;Optional </td> 
 <td> Combiner Java类 </td> 
 </tr> 
 <tr> 
 <td> -partitioner&nbsp;&lt;JavaClassName&gt;&nbsp;&nbsp;Optional </td> 
 <td> Partitioner Java类 </td> 
 </tr> 
 <tr> 
 <td> -inputformat&nbsp;&lt;JavaClassName&gt;&nbsp;Optional </td> 
 <td> InputFormat Java类 </td> 
 </tr> 
 <tr> 
 <td> -outputformat&nbsp;&lt;JavaClassName&gt;Optional </td> 
 <td> OutputFormat Java类 </td> 
 </tr> 
 <tr> 
 <td> -inputreader&nbsp;&lt;spec&gt;&nbsp; &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;Optional </td> 
 <td> InputReader配置 </td> 
 </tr> 
 <tr> 
 <td> -cmdenv&nbsp;&nbsp;&nbsp;&lt;n&gt;=&lt;v&gt;&nbsp;&nbsp;&nbsp; &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;Optional </td> 
 <td> 传给mapper和reducer的环境变量 </td> 
 </tr> 
 <tr> 
 <td> -mapdebug&nbsp;&lt;path&gt;&nbsp; &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;Optional </td> 
 <td> mapper失败时运行的debug程序 </td> 
 </tr> 
 <tr> 
 <td> -reducedebug&nbsp;&lt;path&gt;&nbsp; &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;Optional </td> 
 <td> reducer失败时运行的debug程序 </td> 
 </tr> 
 <tr> 
 <td> -verbose&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; Optional </td> 
 <td> 详细输出模式 </td> 
 </tr> 
 </tbody> 
</table>

下面是对各个参数的详细说明：

l -input <path>：指定作业输入，path可以是文件或者目录，可以使用\*通配符，-input选项可以使用多次指定多个文件或目录作为输入。

l -output <path>：指定作业输出目录，path必须不存在，而且执行作业的用户必须有创建该目录的权限，-output只能使用一次。

l -mapper：指定mapper可执行程序或Java类，必须指定且唯一。

l -reducer：指定reducer可执行程序或Java类，必须指定且唯一。

l -file, -cacheFile, -cacheArchive：分别用于向计算节点分发本地文件、HDFS文件和HDFS压缩文件。

l -numReduceTasks：指定reducer的个数，如果设置-numReduceTasks 0或者-reducer NONE则没有reducer程序，mapper的输出直接作为整个作业的输出。

\-jobconf | -D NAME=VALUE：指定作业参数，NAME是参数名，VALUE是参数值，可以指定的参数参考hadoop-default.xml。特别建议用-jobconf mapred.job.name='My Job Name'设置作业名，使用-jobconf mapred.job.priority=VERY\_HIGH | HIGH | NORMAL | LOW | VERY\_LOW设置作业优先级，使用-jobconf mapred.job.map.capacity=M设置同时最多运行M个map任务，使用-jobconf mapred.job.reduce.capacity=N设置同时最多运行N个reduce任务。

常见的作业配置参数如下表所示：

<table> 
 <tbody> 
 <tr> 
 <td> mapred.job.name </td> 
 <td> 作业名 </td> 
 </tr> 
 <tr> 
 <td> mapred.job.priority </td> 
 <td> 作业优先级 </td> 
 </tr> 
 <tr> 
 <td> mapred.job.map.capacity </td> 
 <td> 最多同时运行map任务数 </td> 
 </tr> 
 <tr> 
 <td> mapred.job.reduce.capacity </td> 
 <td> 最多同时运行reduce任务数 </td> 
 </tr> 
 <tr> 
 <td> hadoop.job.ugi </td> 
 <td> 作业执行权限 </td> 
 </tr> 
 <tr> 
 <td> mapred.map.tasks </td> 
 <td> map任务个数 </td> 
 </tr> 
 <tr> 
 <td> mapred.reduce.tasks </td> 
 <td> reduce任务个数 </td> 
 </tr> 
 <tr> 
 <td> mapred.job.groups </td> 
 <td> 作业可运行的计算节点分组 </td> 
 </tr> 
 <tr> 
 <td> mapred.task.timeout </td> 
 <td> 任务没有响应（输入输出）的最大时间 </td> 
 </tr> 
 <tr> 
 <td> mapred.compress.map.output </td> 
 <td> map的输出是否压缩 </td> 
 </tr> 
 <tr> 
 <td> mapred.map.output.compression.codec </td> 
 <td> map的输出压缩方式 </td> 
 </tr> 
 <tr> 
 <td> mapred.output.compress </td> 
 <td> reduce的输出是否压缩 </td> 
 </tr> 
 <tr> 
 <td> mapred.output.compression.codec </td> 
 <td> reduce的输出压缩方式 </td> 
 </tr> 
 <tr> 
 <td> stream.map.output.field.separator </td> 
 <td> map输出分隔符 </td> 
 </tr> 
 </tbody> 
</table>

l -combiner：指定combiner Java类，对应的Java类文件打包成jar文件后用-file分发。

l -partitioner：指定partitioner Java类，Streaming提供了一些实用的partitioner实现，参考*KeyBasedFiledPartitoner*和*IntHashPartitioner*。

l -inputformat, -outputformat：指定inputformat和outputformat Java类，用于读取输入数据和写入输出数据，分别要实现InputFormat和OutputFormat接口。如果不指定，默认使用TextInputFormat和TextOutputFormat。

l -cmdenv NAME=VALUE：给mapper和reducer程序传递额外的环境变量，NAME是变量名，VALUE是变量值。

l -mapdebug, -reducedebug：分别指定mapper和reducer程序失败时运行的debug程序。

l -verbose：指定输出详细信息，例如分发哪些文件，实际作业配置参数值等，可以用于调试。

from：http://www.cnblogs.com/luchen927/archive/2012/01/16/2323479.html

转载于:https://www.cnblogs.com/Vito2008/p/5458453.html