Hadoop Streaming框架学习（二）

1.常用Streaming命令介绍      

使用下面的命令运行Streaming MapReduce程序：

$HADOOP_HOME/bin/hadoop/hadoop streaming args

其中args是streaming参数，下面是参数列表：

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

 2.命令参数详解             

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，具体使用方法参考文件分发与打包。

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。

l -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：

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

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。

3.Streaming使用示例      

# 删除原目录 由于streaming必须确保输出路径不存在
$hadoop fs -rmr "$outpath"

# 执行统计
$hadoop streaming \
    -input   "$inpath" \  # 文件输入路径
    -output  "$outpath" \ # 结果输出路径
   -mapper  "$map" \     # map阶段所用脚步
    -reducer "$reduce" \  # reduce阶段所用脚本
    -file    "$map" \     # 将客户端本地分拣分发到计算节点
    -file    "$reduce" \
    -jobconf mapred.job.name="test_task" \ # 任务名称
    -jobconf stream.num.map.output.key.fields=1 \
    -jobconf mapred.job.priority=HIGH \    # 作业优先级
    -jobconf mapred.job.map.capacity=100 \ # 同时运行的map数
    -jobconf mapred.job.reduce.capacity=10 \ # 同时运行的reduce数
    -jobconf mapred.map.tasks=2000 \         # map的个数
    -jobconf mapred.reduce.tasks=10          # reduce的格式

 exit $?