Hadoop Streaming是Hadoop提供的多语言编程工具，通过该工具，用户可采用任何语言编写MapReduce程序，本文将介绍几个Hadoop Streaming编程实例，大家可重点从以下几个方面学习：
（1）对于一种编写语言，应该怎么编写Mapper和Reduce，需遵循什么样的编程规范
（2） 如何在Hadoop Streaming中自定义Hadoop Counter
（3） 如何在Hadoop Streaming中自定义状态信息，进而给用户反馈当前作业执行进度
（4） 如何在Hadoop Streaming中打印调试日志，在哪里可以看到这些日志
（5）如何使用Hadoop Streaming处理二进制文件，而不仅仅是文本文件
本文重点解决前四个问题，给出了C++和Shell编写的Wordcount实例，供大家参考。
1. C++版WordCount
（1）Mapper实现（mapper.cpp）
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 |
#include <iostream>
#include <string>
using namespace std;
int main() {
string key;
while(cin >> key) {
cout << key << "t" << "1" << endl;
// Define counter named counter_no in group counter_group
cerr << "reporter:counter:counter_group,counter_no,1n";
// dispaly status
cerr << "reporter:status:processing......n";
// Print logs for testing
cerr << "This is log, will be printed in stdout filen";
}
return 0;
}
|
（2）Reducer实现（reducer.cpp）
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 |
#include <iostream>
#include <string>
using namespace std;
int main() { //reducer将会被封装成一个独立进程，因而需要有main函数
string cur_key, last_key, value;
cin >> cur_key >> value;
last_key = cur_key;
int n = 1;
while(cin >> cur_key) { //读取map task输出结果
cin >> value;
if(last_key != cur_key) { //识别下一个key
cout << last_key << "t" << n << endl;
last_key = cur_key;
n = 1;
} else { //获取key相同的所有value数目
n++; //key值相同的，累计value值
}
}
cout << last_key << "t" << n << endl;
return 0;
}
|
（3）编译运行
编译以上两个程序：
g++ -o mapper mapper.cpp
g++ -o reducer reducer.cpp
测试一下：
echo “dong xicheng is here now, talk to dong xicheng now” | ./mapper | sort | ./reducer
注：上面这种测试方法会频繁打印以下字符串，可以先注释掉，这些字符串hadoop能够识别
reporter:counter:counter_group,counter_no,1
reporter:status:processing……
This is log, will be printed in stdout file
测试通过后，可通过以下脚本将作业提交到集群中（run_cpp_mr.sh）：
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 |
#!/bin/bash
HADOOP_HOME=/opt/yarn-client
INPUT_PATH=/test/input
OUTPUT_PATH=/test/output
echo "Clearing output path: $OUTPUT_PATH"
$HADOOP_HOME/bin/hadoop fs -rmr $OUTPUT_PATH
${HADOOP_HOME}/bin/hadoop jar
${HADOOP_HOME}/share/hadoop/tools/lib/hadoop-streaming-2.2.0.jar
-files mapper,reducer
-input $INPUT_PATH
-output $OUTPUT_PATH
-mapper mapper
-reducer reducer
|
2. Shell版WordCount
（1）Mapper实现（mapper.sh）
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 |
#! /bin/bash
while read LINE; do
for word in $LINE
do
echo "$word 1"
# in streaming, we define counter by
# [reporter:counter:<group>,<counter>,<amount>]
# define a counter named counter_no, in group counter_group
# increase this counter by 1
# counter shoule be output through stderr
echo "reporter:counter:counter_group,counter_no,1" >&2
echo "reporter:counter:status,processing......" >&2
echo "This is log for testing, will be printed in stdout file" >&2
done
done
|
（2）Reducer实现（mapper.sh）
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 |
#! /bin/bash
count=0
started=0
word=""
while read LINE;do
newword=`echo $LINE | cut -d ' ' -f 1`
if [ "$word" != "$newword" ];then
[ $started -ne 0 ] && echo "$wordt$count"
word=$newword
count=1
started=1
else
count=$(( $count + 1 ))
fi
done
echo "$wordt$count"
|
（3）测试运行
测试以上两个程序：
echo “dong xicheng is here now, talk to dong xicheng now” | sh mapper.sh | sort | sh reducer.sh
注：上面这种测试方法会频繁打印以下字符串，可以先注释掉，这些字符串hadoop能够识别
reporter:counter:counter_group,counter_no,1
reporter:status:processing……
This is log, will be printed in stdout file
测试通过后，可通过以下脚本将作业提交到集群中（run_shell_mr.sh）：
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 |
#!/bin/bash
HADOOP_HOME=/opt/yarn-client
INPUT_PATH=/test/input
OUTPUT_PATH=/test/output
echo "Clearing output path: $OUTPUT_PATH"
$HADOOP_HOME/bin/hadoop fs -rmr $OUTPUT_PATH
${HADOOP_HOME}/bin/hadoop jar
${HADOOP_HOME}/share/hadoop/tools/lib/hadoop-streaming-2.2.0.jar
-files mapper.sh,reducer.sh
-input $INPUT_PATH
-output $OUTPUT_PATH
-mapper "sh mapper.sh" -reducer "sh reducer.sh"
|
3. 程序说明
在Hadoop Streaming中，标准输入、标准输出和错误输出各有妙用，其中，标准输入和输出分别用于接受输入数据和输出处理结果，而错误输出的意义视内容而定：
（1）如果标准错误输出的内容为：reporter:counter:group,counter,amount，表示将名称为counter，所在组为group的hadoop counter值增加amount，hadoop第一次读到这个counter时，会创建它，之后查找counter表，增加对应counter值
（2）如果标准错误输出的内容为：reporter:status:message，则表示在界面或者终端上打印message信息，可以是一些状态提示信息
（3）如果采用错误输出的内容不是以上两种情况，则表示调试日志，Hadoop会将其重定向到stderr文件中。注：每个Task对应三个日志文件，分别是stdout、stderr和syslog，都是文本文件，可以在web界面上查看这三个日志文件内容，也可以登录到task所在节点上，到对应目录中查看。
另外，需要注意一点，默认Map Task输出的key和value分隔符是t，Hadoop会在Map和Reduce阶段按照t分离key和value，并对key排序，注意这点非常重要，当然，你可以使用stream.map.output.field.separator指定新的分隔符。