hadoop streaming编程

火山日常啰嗦
hadoop streaming是什么？为什么要用hadoop streaming？hadoop streaming怎么用？接下来我们就来解决这些问题。

1、首先，hadoop streaming是一种编程工具，它是由hadoop提供的。
2、为什么要用hadoop streaming呢？
hadoop框架是用java语言写的，也就是说，hadoop框架中运行的所有应用程序都要用java语言来写才能正常地在hadoop集群中运行。那么问题来了，如果有些开发者就是不会java语言，但是又想使用mapreduce这个并行计算模型的话，那该怎么办？
1）就是基于这样的考虑，所以hadoop提供了hadoop streaming这个编程工具，它支持用任何编程语言来编写mapreduce的map函数和reduce函数。
2）但是，map/reduce函数的数据流必须遵循相应编程语言的标准输入输出（stdin、stdout），即你用什么编程语言实现业务逻辑，就必须要通过该语言的标准输入stdin读取数据，通过该语言的标准输出stdout输出数据。
3） 比如对于unix/linux，cat、awk、grep等这些都可以做为标准输入获取数据，而诸如重定向符>、>>、管道符（|）等都可以作为标准输出。
而对于c++，标准输入时cin，标准输出是cout
......
hadoop streaming的数据流：
hadoop streaming是如何处理数据的？
hadoop streaming通过用户编写的map函数中标准输入读取数据（一行一行地读取），按照mapd函数的处理逻辑处理后，将处理后的数据由标准输出进行输出到下一个阶段，reduce函数也是按行读取数据，按照函数的处理逻辑处理完数据后将它们通过标准输出写到hdfs的指定目录中。

ps:不管使用的是何种编程语言，在map函数中，原始数据会被处理成<key,value>的形式，但是key与value之间必须通过\t分隔符分隔，分隔符左边的是key，分隔符右边的是value,如果没有使用\t分隔符，那么整行都会被当作key处理。

3、理解了前两个问题后，我们对hadoop streaming已经有了基本的了解，接下来就应该了解该如何使用hadoop streaming这个编程工具了。
先通过linux shell查看一下它的用法：

可以看到它的用法是：$HADOOP_HOME/bin/hadoop jar hadoop-streaming.jar [options]
options是可选项
例子1：
以shell命令作为mapper类以及 reducer类的实现

hadoop jar ../share/hadoop/tools/lib/hadoop-streaming-2.7.3.jar \
-input /hadoop-streaming/* \
-output /hadoop-output \
-mapper /bin/cat \
-reducer /bin/wc

ps1:每行最后的\符号的作用是转义，将换行符转以为普通字符，因为我们不想在一行中输完全部内容，所以用转义字符转义换行符，以在下行行中输入未输完的内容

ps2:输入文件必须在hdfs上，输出也是输出到hdfs上

ps3:为了避免发生函数脚本找不到的问题，最好使用-file参数，将脚本文件提交到集群中

例子2：
以shell脚本作为mapper和reducer的实现：

mapper.sh
#!/bin/bash
cat

reducer.sh
#!/bin/bash
wc

运行：

hadoop jar ../share/hadoop/tools/lib/hadoop-streaming-2.7.3.jar \
-input /hadoop-streaming/* \
-output /hadoop-output \
-mapper mapper.sh \
--reducer reducer.sh \
-file mapper.sh \
-file reducer.sh

例子3：
mapper和reducer以shell脚本处理较复杂的逻辑，如单词统计，每行都有多个单词
mapper.sh

#!/bin/bash
while read line
do
    for word in $line
    do
        echo $word  1
    done
done

reducer.sh

#!/bin/bash
count=0
read word1
reduce-word=`echo $word1 | awk  $1`
while read word2
do
    map-word=`echo $-word | awk  $1`
    if [ $reduce-word = $map-word ]
        count=count+1
    else
         echo $reduce-word  $count
         count=0
          reduce-word=map-word
          count=count+1
     fi
done

运行：

hadoop jar ../share/hadoop/tools/lib/hadoop-streaming-2.7.3.jar \
-input /hadoop-streaming/* \
-output /hadoop-output \
-mapper mapper.sh \
-reducer reducer.sh \
-file mapper.sh \
-file reducer.sh