C++博客-MemoryGarden's Blog-随笔分类-Hadoop Streaminghttp://www.cppblog.com/MemoryGarden/category/12861.html努力 -----------大能猫zh-cnSun, 24 Jan 2010 05:16:52 GMTSun, 24 Jan 2010 05:16:52 GMT60c++ && python 实现　Hadoop Streaming 　的　partitioner　和　模块化 http://www.cppblog.com/MemoryGarden/archive/2010/01/24/106312.htmlmemorygardenmemorygardenSat, 23 Jan 2010 19:47:00 GMThttp://www.cppblog.com/MemoryGarden/archive/2010/01/24/106312.htmlhttp://www.cppblog.com/MemoryGarden/comments/106312.htmlhttp://www.cppblog.com/MemoryGarden/archive/2010/01/24/106312.html#Feedback0http://www.cppblog.com/MemoryGarden/comments/commentRss/106312.htmlhttp://www.cppblog.com/MemoryGarden/services/trackbacks/106312.html 这些东西是我自己的理解，　如果有错误的地方，或者有哪些地方走了弯路，请帮我指出我的错误，谢谢

Hadoop Streaming 是一个工具， 代替编写Java的实现类，而利用可执行程序来完成map-reduce过程

工作流程　：　

InputFile --> mappers --> [Partitioner] --> reducers --> outputFiles

理解 :　
1 输入文件，可以是指定远程文件系统内的文件夹下的 *
2 通过集群自己分解到各个PC上，每个mapper是一个可执行文件，相应的启动一个进程，来实现你的逻辑
3 mapper　的输入为标准输入，所以，任何能够支持标准输入的可执行的东西，c,c++(编译出来的可执行文件),python,......都可以作 为mapper 和 reducer　mapper的输出为标准输出，如果有Partitioner,就给它，如果没有，它的输出将作为reducer的输入
4 Partitioner 为可选的项，二次排序，可以对结果进行分类打到结果文件里面,它的输入是mapper的标准输出，它的输出，将作为reducer的标准输入
5 reducer 同 mapper
6 输出文件夹，在远端文件不能重名

Hadoop Streaming

1 ： hadoop-streaming.jar 的位置 ： $HADOOP_HOME/contrib/streaming 内

官方上面关于hadoop-streaming 的介绍已经很详细了，而且也有了关于python的例子，我就不说了,这里总结下自己的经验

1 指定 mapper or reducer 的 task 官方上说要用 -jobconf　但是这个参数已经过时，不可以用了，官方说要用 -D, 注意这个-D是要作为最开始的配置出现的，因为是在maper 和 reducer　执行之前，就需要硬性指定好的，所以要出现在参数的最前面 ./bin/hadoop jar hadoop-0.19.2-streaming.jar -D .........-input ........　类似这样，这样，即使你程序最后只指定了一个输出管道，但是还是会有你指定的task数量的结果文件，只不过多余的就是空的　实验以下 就知道了

2 关于二次排序，由于是用的streaming 所以，在可执行文件内，只能够处理逻辑，还有就是输出，当然我们也可以指定二次排序，但是由于是全部参数化，不是很灵活。比如:
10.2.3.40    1
11.22.33.33    1
www.renren.com 1
www.baidu.com    1
10.2.3.40    1

这样一个很规整的输入文件，需求是要把记录独立的ip和url的count　但是输出文件要分分割出来。

官方网站的例子，是指定 key　然后对key 指定 主-key　和 key　用来排序，而 主-key 用来二次排序，这样会输出你想要的东西，　但是对于上面最简单的需求，对于传递参数，我们如何做呢?

其实我们还是可以利用这一点，在我们mapper　里面，还是按照/t来分割key value　但是我们要给key指定一个主-key　用来给Partitioner 来实现二次排序，所以我们可以稍微处理下这个KEY,我们可以简单的判断出来ip　和 url　的区别，这样，我们就人为的加上一个主-key　我们在mapper里面，给每个key人为的加上一个"标签"，用来给partitioner做 二次排序用，比如我们的mapper的输出是这样

D&10.2.3.40    1
D&11.22.33.33    1
W&www.renren.com 1
W&www.baidu.com    1
D&10.2.3.40    1

然后通过传递命令参数
-partitioner org.apache.hadoop.mapred.lib.KeyFieldBasedPartitioner //指定要求二次排序
-jobconf map.output.key.field.separator='&'　//这里如果不加两个单引号的话我的命令会死掉
-jobconf num.key.fields.for.partition=1　//这里指第一个 &　符号来分割，保证不会出错

这样我们就可以通过 partitioner　来实现二次排序了

在reducer里面，我们再把"标签"摘掉(不费吹灰之力)就可以做到悄无声息的完成二次排序了。

3:　关于模块化

(强调　：　没有在集群上测试，只在单机上做测试)

程序员最悲剧的就是不能代码复用，做这个也一样，用hadoop-streaming　也一样，要做到代码重用，是我第一个考虑的问题
当我看到 -file(详细可以看官方网站上的讲解)　的时候，我就想到利用这个东西，果然，我的在本机上建立了一个py模块，简单的一个函数
然后在我的mapper里面import 它，本地测试通过后，利用-file　把模块所在的问价夹用 -file moudle/*　这个参数，传入streaming
执行的结果毫无错误，这样，我们就可以抽象出来一些模块的东西，来实现我们模块化的需求

注 : 不要忘记 chmod +x *.py 　将py　变成可执行的，不然不可以运行

代码 :　

1: 模块代码 mg.py 用来给 mapper　贴标签



def mgFunction(line):
        if(line[0] >= '0' and line[0] <= '9'):
                return "D&" + line
        return "W&" + line



2: mapper.py 



#!/usr/bin/env python
import sys
sys.path.append('/home/liuguoqing/Desktop/hadoop-0.19.2/moudle')
import mg
for line in sys.stdin:
        line = mg.mgFunction(line)
        line = line.strip()
#       print line
        words = line.split()
        print '%s\t%s' % (words[0], words[1])
3: reducer.py

#!/usr/bin/env python
import sys
user_login_day = {}

for line in sys.stdin:
        line = line[2:]//去掉帽子
        line = line.strip()
        userid, day = line.split('\t', 1)
        user_login_day[userid] = user_login_day.get(userid, 0) + 1

for uid in user_login_day.keys(): 
        print '%s\t%d' % (uid, user_login_day[uid])


这样就实现了模块化的可以二次排序的hadoop-streaming

命令　

./bin/hadoop jar hadoop-0.19.2-streaming.jar \
#streaming jar
-D mapred.reduce.tasks=2  \
#指定2个reduce来处理
-input user_login_day-input2/*  \
#指定输入文件　可以用 dir/*　方式
-output user_login_day-output102
#指定输出文件夹
-mapper ~/Desktop/hadoop-0.19.2/python/mapper/get_user_login_day_back.py  \
#指定mapper　可执行文件 我用全路径，好像用相对路径会出错...
-reducer ~/Desktop/hadoop-0.19.2/python/reducer/get_user_login_day_back.py \
#指定reducer 可执行文件　
-file ~/Desktop/hadoop-0.19.2/moudle/* \
#指定模块化的库文件 dir/*　模式
-partitioner org.apache.hadoop.mapred.lib.KeyFieldBasedPartitioner \
#指定 partitioner　参数为class
-jobconf map.output.key.field.separator='&' \
#指定　主-key　的分割符号为 '&'
-jobconf num.key.fields.for.partition=1
#指定为第一个‘&’

liuguoqing@liuguoqing-desktop:~/Desktop/hadoop-0.19.2$ ./bin/hadoop jar hadoop-0.19.2-streaming.jar -D mapred.reduce.tasks=2 -input user_login_day-input2/* -output user_login_day-output102 -mapper ~/Desktop/hadoop-0.19.2/python/mapper/get_user_login_day_back.py -reducer ~/Desktop/hadoop-0.19.2/python/reducer/get_user_login_day_back.py -file ~/Desktop/hadoop-0.19.2/moudle/* -partitioner org.apache.hadoop.mapred.lib.KeyFieldBasedPartitioner -jobconf map.output.key.field.separator='&' -jobconf num.key.fields.for.partition=1
10/01/24 03:19:15 WARN streaming.StreamJob: -jobconf option is deprecated, please use -D instead.
packageJobJar: [/home/liuguoqing/Desktop/hadoop-0.19.2/moudle/mg.py, /home/liuguoqing/Desktop/hadoop-0.19.2/moudle/mg.pyc, /tmp/hadoop-liuguoqing/hadoop-unjar6780057097425964518/] [] /tmp/streamjob3100401358387519950.jar tmpDir=null
10/01/24 03:19:15 INFO mapred.FileInputFormat: Total input paths to process : 2
10/01/24 03:19:15 INFO streaming.StreamJob: getLocalDirs(): [/tmp/hadoop-liuguoqing/mapred/local]
10/01/24 03:19:15 INFO streaming.StreamJob: Running job: job_201001221008_0065
10/01/24 03:19:15 INFO streaming.StreamJob: To kill this job, run:
10/01/24 03:19:15 INFO streaming.StreamJob: /home/liuguoqing/Desktop/hadoop-0.19.2/bin/../bin/hadoop job  -Dmapred.job.tracker=hdfs://localhost:9881 -kill job_201001221008_0065
10/01/24 03:19:15 INFO streaming.StreamJob: Tracking URL: http://localhost:50030/jobdetails.jsp?jobid=job_201001221008_0065
10/01/24 03:19:16 INFO streaming.StreamJob:  map 0%  reduce 0%
10/01/24 03:19:17 INFO streaming.StreamJob:  map 33%  reduce 0%
10/01/24 03:19:18 INFO streaming.StreamJob:  map 67%  reduce 0%
10/01/24 03:19:19 INFO streaming.StreamJob:  map 100%  reduce 0%
10/01/24 03:19:27 INFO streaming.StreamJob:  map 100%  reduce 50%
10/01/24 03:19:32 INFO streaming.StreamJob:  map 100%  reduce 100%
10/01/24 03:19:32 INFO streaming.StreamJob: Job complete: job_201001221008_0065
10/01/24 03:19:32 INFO streaming.StreamJob: Output: user_login_day-output102
liuguoqing@liuguoqing-desktop:~/Desktop/hadoop-0.19.2$ ./bin/hadoop dfs -ls user_login_day-output102
Found 3 items
drwxr-xr-x   - liuguoqing supergroup          0 2010-01-24 03:19 /user/liuguoqing/user_login_day-output102/_logs
-rw-r--r--   1 liuguoqing supergroup         25 2010-01-24 03:19 /user/liuguoqing/user_login_day-output102/part-00000
-rw-r--r--   1 liuguoqing supergroup         47 2010-01-24 03:19 /user/liuguoqing/user_login_day-output102/part-00001

liuguoqing@liuguoqing-desktop:~/Desktop/hadoop-0.19.2$ ./bin/hadoop dfs -cat user_login_day-output102/part-00000
54321    2
99999    1
12345    12
liuguoqing@liuguoqing-desktop:~/Desktop/hadoop-0.19.2$ ./bin/hadoop dfs -cat user_login_day-output102/part-00001
http://www.renren.com    3
http://www.baidu.com    3

以上为操作结果显示


4 : c++ 的应用

只要写两个个标准输入输出的mapper reducer，然后
g++ mapper.cpp -o mapper
g++ reducer.cpp -o reducer
生成的两个可执行的 mapper reducer 的文件作为mapper　和 reducer 参数就可以了，执行的命令和上面是一样的

代码　：　

mapper.cpp
#include <stdio.h>
#include <string>
#include <iostream>
using namespace std;

int main(){
        string key;
        string value;
        while(cin>>key){
                cin>>value;
                cout<<key<<"\t"<<value<<endl;
        }
        return 0;
}



reducer.cpp

#include <stdio.h>
#include <string>
#include <map>
#include <iostream>
using namespace std;
int main(){
        string key;
        string value;
        map<string, int> word2count;
        map<string, int> :: iterator it;
        while(cin>>key){
                cin>>value;
                it = word2count.find(key);
                if(it != word2count.end()){
                        ++it->second;
                }
                else{
                        word2count.insert(make_pair(key, 1));
                        it->second = 0;
                }
        }

        for(it = word2count.begin(); it != word2count.end(); ++it){
                cout<<it->first<<"\t"<<it->second<<endl;
        }
        return 0;
}


这样就可以利用c++来编写 hadoop map-reduce　了。


注　： 　以上操作均没有在集群机上测试，如果有错误，请大家指出。谢谢









memorygarden 2010-01-24 03:47 发表评论
]]>Hadoop 单机搭建http://www.cppblog.com/MemoryGarden/archive/2010/01/24/106311.htmlmemorygardenmemorygardenSat, 23 Jan 2010 18:19:00 GMThttp://www.cppblog.com/MemoryGarden/archive/2010/01/24/106311.htmlhttp://www.cppblog.com/MemoryGarden/comments/106311.htmlhttp://www.cppblog.com/MemoryGarden/archive/2010/01/24/106311.html#Feedback0http://www.cppblog.com/MemoryGarden/comments/commentRss/106311.htmlhttp://www.cppblog.com/MemoryGarden/services/trackbacks/106311.html官方网站 说的很明白， 这里有个地方需要改一下

我用的版本是0.19.2

官方的配置有一个地方需要更改以下， 其他的按照官方说的就可以搭建起来单机的版本

原版本 ：

配置

使用如下的 conf/hadoop-site.xml:
<configuration>
  <property>
    <name>fs.default.name</name>
    <value>localhost:9000</value>
  </property>
  <property>
    <name>mapred.job.tracker</name>
    <value>localhost:9001</value>
  </property>
  <property>
    <name>dfs.replication</name>
    <value>1</value>
  </property>
</configuration>

更改后：

<configuration>
 <property>
    <name>fs.default.name</name>
    <value>hdfs://localhost:9900/</value>
  </property>
  <property>
    <name>mapred.job.tracker</name>
    <value>hdfs://localhost:9901/</value>
  </property>
  <property>
    <name>dfs.replication</name>
    <value>1</value>
  </property>
</configuration>


不然会LOG里面会有警告的。







memorygarden 2010-01-24 02:19 发表评论
]]>