hadoop-streaming 例子

Hadoop Streaming是Hadoop提供的一个编程工具，它容许用户使用任何可执行文件或者脚本文件做为Mapper和Reducer，例如：

采用shell脚本语言中的一些命令做为mapper和reducer（cat做为mapper，wc做为reducer）

bin/hadoop jar contrib/streaming/hadoop-0.20.2-streaming.jar -input
input -output output -mapper /bin/cat -reducer /usr/bin/wc

mapper和reducer会从标准输入中读取用户数据，一行一行处理后发送给标准输出。Streaming工具会建立MapReduce做业，发送给各个tasktracker，同时监控整个做业的执行过程。

若是一个文件（可执行或者脚本）做为mapper，mapper初始化时，每个mapper任务会把该文件做为一个单独进程启动，mapper任务运行时，它把输入切分红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，做为mapper的输出。 默认状况下，一行中第一个tab以前的部分做为key，以后的（不包括tab）做为value。若是没有tab，整行做为key值，value值为null。

对于reducer，相似。

以上是Map/Reduce框架和streaming mapper/reducer之间的基本通讯协议。

Hadoop Streaming用法

Usage: $HADOOP_HOME/bin/hadoop jar \

$HADOOP_HOME/contrib/streaming/hadoop-*-streaming.jar [options]

options：

（1）-input：输入文件路径

（2）-output：输出文件路径

（3）-mapper：用户本身写的mapper程序，能够是可执行文件或者脚本

（4）-reducer：用户本身写的reducer程序，能够是可执行文件或者脚本

（5）-file：打包文件到提交的做业中，能够是mapper或者reducer要用的输入文件，如配置文件，字典等。

（6）-partitioner：用户自定义的partitioner程序

（7）-combiner：用户自定义的combiner程序（必须用java实现）

（8）-D：做业的一些属性（之前用的是-jonconf），具体有：
            1）mapred.map.tasks：map task数目
            2）mapred.reduce.tasks：reduce task数目
            3）stream.map.input.field.separator/stream.map.output.field.separator： map task输入/输出数
据的分隔符,默认均为\t。
             4）stream.num.map.output.key.fields：指定map task输出记录中key所占的域数目
             5）stream.reduce.input.field.separator/stream.reduce.output.field.separator：reduce task输入/输出数据的分隔符，默认均为\t。
             6）stream.num.reduce.output.key.fields：指定reduce task输出记录中key所占的域数目
另外，Hadoop自己还自带一些好用的Mapper和Reducer：

参照：

http://dongxicheng.org/mapreduce/hadoop-streaming-programming/