Hadoopのストリーミングサンプルプログラム(WORDCOUNT)
run_hadoop_word_counter.sh
$HADOOP_BIN streaming \
-input "${INPUT}" \
-output "${OUT_DIR}" \
-cacheArchive "${TOOL_DIR}/python2.7.2.tgz""#." \
-file "mapper_word_counter.py" \
-file "reducer_word_counter.py" \
-file "filter_word_counter.py" \
-mapper "./python2.7.2/bin/python mapper_word_counter.py" \
-combiner "./python2.7.2/bin/python reducer_word_counter.py" \
-reducer "./python2.7.2/bin/python reducer_word_counter.py" \
-jobconf abaci.job.base.environment="centos6u3_hadoop" \
-jobconf mapred.job.priority="NORMAL" \
-jobconf mapred.job.name="${TASK_NAME}" \
-jobconf mapred.map.tasks="${MAP_NUM}" \
-jobconf mapred.reduce.tasks="${REDUCE_NUM}" \
-jobconf mapred.map.memory.limit="1000" \
-jobconf mapred.reduce.memory.limit="1000" \
-jobconf mapred.job.map.capacity="3000" \
-jobconf mapred.job.reduce.capacity="2500" \
-jobconf mapred.job.keep.files.hours=12 \
-jobconf mapred.max.map.failures.percent=1 \
-jobconf mapred.reduce.tasks.speculative.execution="false"
mapper_word_counter.py
import sys
for line in sys.stdin:
fields = line.strip().split('\t')
try:
cnt = 1
dateval = fields[1]
sys.stdout.write('%s\t%d\n' %(dateval, cnt))
except Exception as exp:
sys.stderr.write("exp:%s, %s" %(str(exp), line))
reducer_word_counter.py
import sys
word_pre = None
counter_pre = 0
for line in sys.stdin:
try:
word, cnt = line.strip().split('\t')
cnt = int(cnt)
except Exception as exp:
sys.stderr.write('Exp:%s,line:%s' %(str(exp), line.strip()))
continue
if word == word_pre:
counter_pre += cnt
else:
if word_pre:
print('%s\t%d' %(word_pre, counter_pre))
word_pre = word
counter_pre = cnt
if word_pre:
print('%s\t%d' %(word_pre, counter_pre))
プレーンテキスト入力フォーマット
- 各マッパーは、いくつかの行を入力して
「org.apache.hadoop.mapred.TextInputFormat」-inputformat - 入力マッパあたりの行の数を指定する
「org.apache.hadoop.mapred.lib.NLineInputFormat」-jobconf mapred.line.input.format.linespermap =「-inputformat 5」
ファイルの配布方法:
次いで、コンピューティングノードに配布クライアントのローカルファイルアップロード標識されたジャーパッケージHDFS -file;
-cacheFileはHDFSにファイルを分散コンピューティングノードと、
HDFSに分配-cacheArchive圧縮ファイルをコンピューティングノードを抽出します。
分ソートバケツ&
出力ラインが区切り、鍵のように行全体、値がない場合のHadoopデフォルトマップは、後者の値としてフロントキーの一部として出力セパレータ(デフォルトの\ T)で遭遇する最初の行を、意志これは、空の文字列に設定されています。別のパーティションに配布してキーマッパー出力は内部の削減します。
- アプリケーション例
${HADOOP_BIN} streaming \
-input "${INPUT}" \
-output "${OUT_DIR}" \
-mapper cat \
-reducer cat \
-partitioner org.apache.hadoop.mapred.lib.KeyFieldBasedPartitioner \
-jobconf mapred.output.key.comparator.class=org.apache.hadoop.mapred.lib.KeyFieldBasedComparator \
-jobconf stream.num.map.output.key.fields=4 \
-jobconf stream.map.output.field.separator=. \
-jobconf map.output.key.field.separator=. \
-jobconf mapred.text.key.partitioner.options=-k1,2 \
-jobconf mapred.text.key.comparator.options="-k3,3 -k4nr" \
-jobconf stream.reduce.output.field.separator=. \
-jobconf stream.num.reduce.output.key.fields=4 \
-jobconf mapred.reduce.tasks=5
説明:
- キー設定マッパー出力
マップ出力フィールドセパレータ設定stream.map.output.field.separatorを
stream.num.map.output.key.fieldsマップ出力が最初の数でキーフィールドとして提供 - キーバレル設定ルール分割
org.apache.hadoop.mapred.lib.KeyFieldBasedPartitionerパーティションタイプ
map.output.key.field.separatorキー内に配置されたフィールドセパレータ(KeyFieldBasedPartitionerとKeyFieldBasedComparator特定)
num.key.fieldsをキー・フィールド内に配置され.for.partitionは、最初のいくつかのパーティションに使用される
num.keyと共に使用mapred.text.key.partitioner.optionsの別のパーティションを実行するフィールドを指定するためのキー、及びnum.key.fields.for.partition勝つ.fields.for.partition - 設定ソートキールールに従って
テキストベースの-nによって辞書順やデジタルコンパレータに基づいて、デフォルトの高度なKeyFieldBasedComparatorコンパレータを柔軟に設定することができ、
キーフィールドまたはワードで提供mapred.text.key.comparator.optionsを比較しますセクションの範囲 - 出力設定キー減速
stream.reduce.output.field.separator出力フィールドセパレータ減らす配置
stream.num.reduce.output.key.fieldsは、最初の数でキーフィールドとして提供される出力を減少させます
マルチ出力
Hadoopのは、複数の出力をサポートし、処理のMapReduce部-XXXXX-Xファイルの複数の出力データ(X AZが1である26文字の合計)。プログラムはmaper、<キー、値>となり<キー、値#X>でプログラム出力の形で/減速(タスクの減速が含ま)(マッパーのみタスクMRに対向する)必要がある拡張子を持つ特定のファイルを出力しますインチ 唯一の出力ファイルの接尾辞を指定するために使用#Xは、出力内容には表示されません。
スタートアップスクリプトは、指定する必要が
org.apache.hadoop.mapred.lib.SuffixMultipleTextOutputFormat -outputformat
または
-outputformat org.apache.hadoop.mapred.lib.SuffixMultipleSequenceFileOutputFormat
- アプリケーション例
run_hadoop.sh
${HADOOP_BIN} streaming \
-input "${INPUT}" \
-output "${OUT_DIR}" \
-cacheArchive "${TOOL_DIR}/python2.7.2.tgz""#." \
-file "mapper_worker.sh" \
-file "reducer_worker.py" \
-mapper "sh mapper_worker.sh" \
-reducer "python2.7.2/bin/python reducer_worker.py" \
-inputformat "org.apache.hadoop.mapred.TextInputFormat" \
-outputformat "org.apache.hadoop.mapred.lib.SuffixMultipleTextOutputFormat" \
-jobconf mapred.job.priority="NORMAL" \
-jobconf mapred.job.name="${TASK_NAME}" \
-jobconf mapred.map.tasks="${MAP_NUM}" \
-jobconf mapred.reduce.tasks="${REDUCE_NUM}" \
-jobconf mapred.max.split.size=134217728 \
-jobconf mapred.map.memory.limit="800" \
-jobconf mapred.reduce.memory.limit="500" \
-jobconf mapred.job.map.capacity="3500" \
-jobconf mapred.job.reduce.capacity="2000" \
-jobconf mapred.job.keep.files.hours=12 \
-jobconf mapred.max.map.failures.percent=1 \
-jobconf mapred.reduce.tasks.speculative.execution="false"
reducer_worder.py
for line in sys.stdin:
record = line.strip()
fields = record.split('\t')
if len(fields) != 7:
continue
vcpurl, playurl, title, poster, duration, pubtime, accept = fields
duration = int(duration)
pubtime = int(pubtime)
accept = int(accept)
if duration < 60:
sys.stdout.write('%s#A\n' %(record))
elif duration < 300:
sys.stdout.write('%s#B\n' %(record))
else:
sys.stdout.write('%s#C\n' %(record))
ローカルデバッグ
プログラムのバグを開始する前にMRタスクでの発見を避けるために、地元のアナログMRの過程で先に最高のランニング、それは結果が予想と一致している確認します
cat inputfile | ./mapper_task.sh | sort -t$'\t' -k1,1 | ./reducer.sh
圧縮出力
Hadoopのデフォルトサポートのgzip圧縮は、ストリーミングの動作は、出力GZIP圧縮形式で、次のパラメータを指定することができます。
-D mapreduce.output.fileoutputformat.compress=true
-D mapreduce.output.fileoutputformat.compress.codec=org.apache.hadoop.io.compress.GzipCodec
Hadoopがデータ圧縮された読み込み可能な自己GZIP、特別な入力が指定されていないGzip圧縮です。Gzip圧縮は、欠点は非常に高い圧縮効率ではありません、圧縮率と効率の両方を持つことはできません、あなたは他の圧縮方法を検討する必要があり、比較的高い、Hadoopをネイティブにサポートすることを特徴とします。
Hadoopの一般的な設定項目
コンフィギュレーション名 | 説明 |
---|---|
abaci.job.base.environment | システムは環境をアップグレードする必要がある場合、あなたはglibcのそれ以降のバージョンをサポートするcentos6u3_hadoop指定することができますcentos6u3_hadoop |
stream.memory.limit | シングルマップ/最大ワーキングメモリを減らし、デフォルトの800M |
mapred.map.memory.limit | 単一のメモリ・マップを使用することは、最も高い優先度はstream.memory.limitよりも高く、 |
mapred.reduce.memory.limit | 単一のメモリ、stream.memory.limitよりも高い優先度の最大使用量を削減 |
mapred.map.capacity.per.tasktracker | 同時に、マップの数を開始する各マシンのセットアップ |
mapred.reduce.capacity.per.tasktracker | 同時に開始する各マシンのセットアップは、数を減らします |
mapred.job.map.capacity | 同時マップの数 |
mapred.job.reduce.capacity | 同時の数を減らします |
abaci.job.map.max.capacity | マップの同時実行の制限、デフォルトの10000 |
abaci.job.reduce.max.capacity | 同時実行の制限、デフォルトの3000を減らします |
mapred.map.tasks | マップの数 |
mapred.reduce.tasks | 数を減らします |
mapred.job.reuse.jvm.num.tasks | 1 -1、全く再利用がないことを意味無制限の再利用を示し、他の値の数は、各JVM再利用することを示しています。再利用、それはマップの最後にメモリを解放しません。 |
mapred.compress.map.output | マップの出力を圧縮するかどうかを指定します。慎重に圧縮アルゴリズムを選択する必要が、減圧をioを、圧縮と解凍は、CPUコストを持って、データの量を減らすのに役立ちます |
mapred.map.output.compression.codec | 圧縮アルゴリズムマップ出力 |
mapred.output.compress | 出力を削減することは圧縮されています |
mapred.output.compression.codec | 圧縮はmapredの出力を制御され、 |
io.compression.codecs | 圧縮アルゴリズム |
mapred.max.map.failures.percent | デフォルトは0であるマップのエラー率を、容認 |
mapred.max.reduce.failures.percent | 許容誤差の割合を減らし、デフォルトは0です |
stream.map.output.field.separator | マップ出力セパレータ、デフォルトのタブ |
stream.reduce.output.field.separator | 出力セパレータ、デフォルトのタブを減らします |
mapred.textoutputformat.separator | キーTextOutputFormatの出力を設定し、値の区切り、デフォルトのタブ |
mapred.textoutputformat.ignoreseparator | trueに設定した後、タブを埋める自動的に削除されます何のキー値が存在しない場合にのみ、 |
mapred.min.split.size | マップを指定する処理データの最小量、単位B |
mapred.max.split.size | 設定中地図データは、指定された量、ユニットBまでの処理のInputFormat = org.apache.hadoop.mapred.CombineTextInputFormat |
mapred.combine.input.format.local.only | 現在のノードの合併は、デフォルト真は、falseに設定されているノード間でデータをマージすることができます |
abaci.job.map.cpu.percent | 会計消費CPUマップ、40のデフォルト値(40%、すなわち0.4 CPU、CPUを示します) |
abaci.job.reduce.cpu.percent | 低減消費は、CPUを占め、40のデフォルト値(40%のCPU、すなわちCPU 0.4を示します) |
mapred.map.capacity.per.tasktracker | 各ノードは、(パラメータメモリによれば、デフォルトは8で適宜増減)ジョブマップタスクの並列実行の最大数を表します。 |
mapred.reduce.capacity.per.tasktracker | 各ノードは、(適切パラメータメモリに応じて増減、デフォルトは8参照)ジョブの最大ランいくつかの平行減らすタスクを表します |
mapred.map.tasks.speculative.execution | 真のオープンマップ投機的実行、デフォルト |
mapred.reduce.tasks.speculative.execution | 开启reduce预测执行,默认true |
Hadoop环境下系统变量
- 变量名列表
变量名 | 变量说明 |
---|---|
HADOOP_HOME | 计算节点上配置的Hadoop路径 |
LD_LIBRARY_PATH | 计算节点上加载库文件的路径列表 |
PWD | 当前工作目录 |
dfs_block_size | 当前设置的HDFS文件块大小 |
map_input_file | mapper正在处理的输入文件路径 |
mapred_job_id | 作业ID |
mapred_job_name | 作业名 |
mapred_tip_id | 当前任务的第几次重试 |
mapred_task_id | 任务ID |
mapred_task_is_map | 当前任务是否为map |
mapred_output_dir | 计算输出路径 |
mapred_map_tasks | 计算的map任务数 |
mapred_reduce_tasks | 计算的reduce任务数 |
https://hadoop.apache.org/docs/r1.2.1/mapred_tutorial.html#Configured+Parameters
- 应用示例:
Shell版
#!/bin/bash
set -o pipefail
HOST="localhost"
PORT=$((1000 + ${mapred_task_partition}))
awk '{print $2}' \
| ./access_remote_data ${HOST} ${PORT} outdata.gz
hdfs_outfile=${mapred_work_output_dir}/${mapred_task_partition}.pack
cat outdata.gz \
| gzip -d \
| python ../postprocess.py
| ${HADOOP_HOME}/bin/hadoop fs -D hadoop.job.ugi="username,pwd" -copyFromLocal - ${hdfs_outfile}
Python版
import os
input_file = os.environ['mapreduce_map_input_file']
#do something else
References
Hadoop Streaming相关官方文档:https://hadoop.apache.org/docs/r3.1.2/hadoop-streaming/HadoopStreaming.html
Hadoop Streaming入门:http://icejoywoo.github.io/2015/09/28/introduction-to-hadoop-streaming.html
Hadoop排序工具用法小结:http://www.dreamingfish123.info/?p=1102
Hadoop压缩选项权衡:https://www.slideshare.net/Hadoop_Summit/singh-kamat-june27425pmroom210c