--------------------------------------------------------------------------

以下內容摘自寒小陽老師大資料課程內容

--------------------------------------------------------------------------

Hadoop Streaming

Hadoop streaming是Hadoop的一個工具， 它幫助使用者建立和執行一類特殊的map/reduce作業， 這些特殊的map/reduce作業是由一些可執行檔案或指令碼檔案充當mapper或者reducer。例如在hadoop環境下的命令列可以執行：

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

看不懂彆著急，咱們馬上來分析一下上述的程式碼。

Streaming工作原理

在上面的例子裡，mapper和reducer都是可執行檔案，它們從標準輸入讀入資料（一行一行讀）， 並把計算結果發給標準輸出。Streaming工具會建立一個Map/Reduce作業， 並把它傳送給合適的叢集，同時監視這個作業的整個執行過程。

如果一個可執行檔案被用於mapper，則在mapper初始化時， 每一個mapper任務會把這個可執行檔案作為一個單獨的程序啟動。 
mapper任務執行時，它把輸入切分成行並把每一行提供給可執行檔案程序的標準輸入。 同時，mapper收集可執行檔案程序標準輸出的內容，並把收到的每一行內容轉化成key/value對，作為mapper的輸出。 
預設情況下，一行中第一個tab之前的部分作為key，之後的（不包括tab）作為value。 如果沒有tab，整行作為key值，value值為null。不過，這可以定製，在下文中將會討論如何自定義key和value的切分方式。

如果一個可執行檔案被用於reducer，每個reducer任務會把這個可執行檔案作為一個單獨的程序啟動。
Reducer任務執行時，它把輸入切分成行並把每一行提供給可執行檔案程序的標準輸入。 同時，reducer收集可執行檔案程序標準輸出的內容，並把每一行內容轉化成key/value對，作為reducer的輸出。 
預設情況下，一行中第一個tab之前的部分作為key，之後的（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之間的基本通訊協議。

使用者也可以使用java類作為mapper或者reducer。上面的例子與這裡的程式碼等價：

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

使用者可以設定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。預設情況，streaming task返回非零時表示失敗。

將檔案打包到提交的作業中

我們要開始講關鍵點了，並不是每位同學都對java熟悉程度這麼高。沒關係，hadoop允許我們用指令碼語言完成處理過程，並把檔案打包提交到作業中，完成大資料的處理。

任何可執行檔案都可以被指定為mapper/reducer。這些可執行檔案不需要事先存放在叢集上；如果在叢集上還沒有，則需要用-file選項讓framework把可執行檔案作為作業的一部分，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使用者把可執行python檔案作為mapper。 其中的選項“-file myPythonScirpt.py”使可執行python檔案作為作業提交的一部分被上傳到叢集的機器上。

除了可執行檔案外，其他mapper或reducer需要用到的輔助檔案（比如字典，配置檔案等）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函式處理輸入資料。這時只需把mapred.reduce.tasks設定為零，Map/reduce框架就不會建立reducer任務，mapper任務的輸出就是整個作業的最終輸出。

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

為作業指定其他外掛

和其他普通的Map/Reduce作業一樣，使用者可以為streaming作業指定其他外掛：

-inputformat JavaClassName -outputformat JavaClassName -partitioner JavaClassName -combiner JavaClassName 用於處理輸入格式的類要能返回Text型別的key/value對。如果不指定輸入格式，則預設會使用TextInputFormat。 因為TextInputFormat得到的key值是LongWritable型別的（其實key值並不是輸入檔案中的內容，而是value偏移量）， 所以key會被丟棄，只把value用管道方式發給mapper。

使用者提供的定義輸出格式的類需要能夠處理Text型別的key/value對。如果不指定輸出格式，則預設會使用TextOutputFormat類。

Hadoop Streaming中的大檔案和檔案

任務使用-cacheFile和-cacheArchive選項在叢集中分發檔案和檔案，選項的引數是使用者已上傳至HDFS的檔案或檔案的URI。這些檔案和檔案在不同的作業間快取。使用者可以通過fs.default.name.config配置引數的值得到檔案所在的host和fs_port。

這個是使用-cacheFile選項的例子：

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

在上面的例子裡，url中#後面的部分是建立在任務當前工作目錄下的符號連結的名字。這裡的任務的當前工作目錄下有一個“testlink”符號連結，它指向testfile.txt檔案在本地的拷貝。如果有多個檔案，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選項用於把jar檔案拷貝到任務當前工作目錄並自動把jar檔案解壓縮。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連結，它指向testfile.jar解壓後的目錄。

下面是使用-cacheArchive選項的另一個例子。其中，input.txt檔案有兩行內容，分別是兩個檔案的名字：testlink/cache.txt和testlink/cache2.txt。“testlink”是指向檔案目錄（jar檔案解壓後的目錄）的符號連結，這個目錄下有“cache.txt”和“cache2.txt”兩個檔案。

$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"

再來看一樣過程和內容

$ 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引數

使用者可以使用“-jobconf =”增加一些配置變數。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。

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叢集與一個或多個遠端叢集間切換
-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	用一個類似於hadoop-site.xml的XML檔案儲存所有配置，從而不需要用多個"-jobconf name=value"型別的選項單獨為每個配置變數賦值
-cmdenv name=value	可選	傳遞環境變數給streaming命令
-cacheFile fileNameURI	可選	指定一個上傳到HDFS的檔案
-cacheArchive fileNameURI	可選	指定一個上傳到HDFS的jar檔案，這個jar檔案會被自動解壓縮到當前工作目錄下
-inputreader JavaClassName	可選	為了向下相容：指定一個record reader類（而不是input format類）
-verbose	可選	詳細輸出

使用-cluster 實現“本地”Hadoop和一個或多個遠端Hadoop叢集間切換。預設情況下，使用hadoop-default.xml和hadoop-site.xml；當使用-cluster 選項時，會使用$HADOOP_HOME/conf/hadoop-.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命令中設定環境變數：

-cmdenv EXAMPLE_DIR=/home/example/dictionaries/

高階功能與其他例子

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。 在預設情況下，每行第一個tab符之前的部分作為key，之後的部分作為value（不包括tab符）。

但是，使用者可以自定義，可以指定分隔符是其他字元而不是預設的tab符，或者指定在第n（n>=1）個分割符處分割而不是預設的第一個。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，並且從在第四個“.”之前的部分作為key，之後的部分作為value（不包括這第四個“.”）。 如果一行中的“.”少於四個，則整行的內容作為key，value設為空的Text物件（就像這樣建立了一個Text：new Text("")）。

同樣，使用者可以使用“-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， 它在應用程式中很有用。Map/reduce框架用這個類切分map的輸出， 切分是基於key值的字首，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用這兩個變數來得到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於指定前兩塊作為主鍵，後兩塊作為副鍵。 主鍵用於切分塊，主鍵和副鍵的組合用於排序。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（前兩塊的值用於切分）

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

在每個切分後的組內排序（四個塊的值都用於排序）

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）。 “Aggregate”提供一個特殊的reducer類和一個特殊的combiner類， 並且有一系列的“聚合器”（“aggregator”）（例如“sum”，“max”，“min”等）用於聚合一組value的序列。 使用者可以使用Aggregate定義一個mapper外掛類， 這個類用於為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程式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)

欄位的選取（類似於unix中的 'cut' 命令）

Hadoop的工具類org.apache.hadoop.mapred.lib.FieldSelectionMapReduce幫助使用者高效處理文字資料， 就像unix中的“cut”工具。工具類中的map函式把輸入的key/value對看作欄位的列表。 使用者可以指定欄位的分隔符（預設是tab）， 可以選擇欄位列表中任意一段（由列表中一個或多個欄位組成）作為map輸出的key或者value。 同樣，工具類中的reduce函式也把輸入的key/value對看作欄位的列表，使用者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由欄位6，5，1，2和3組成。輸出的value由所有欄位組成（“0-”指欄位0以及之後所有欄位）。

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將包含欄位0，1，2（對應於原始的欄位6，5，1）。 reduce輸出的value將包含起自欄位5的所有欄位（對應於所有的原始欄位）。