【hadoop】如何向map和reduce脚本传递参数,加载文件和目录

【hadoop】如何向map和reduce脚本传递参数,加载文件和目录

http://www.cnblogs.com/zhengrunjian/p/4536572.html

本文主要讲解三个问题：
1 使用Java编写MapReduce程序时，如何向map、reduce函数传递参数。
2 使用Streaming编写MapReduce程序(C/C++, Shell, Python)时，如何向map、reduce脚本传递参数。
3 使用Streaming编写MapReduce程序(C/C++, Shell, Python)时，如何向map、reduce脚本传递文件或文件夹。
(1) streaming 加载本地单个文件
(2) streaming 加载本地多个文件
(3) streaming 加载本地目录
(4) streaming编程时在mapreduce脚本中读 hdfs 文件
(5) streaming编程时在mapreduce脚本中读 hdfs 目录

1. Java编写MapReduce程序时，如何向map、reduce函数传递参数
我开始使用如下方式进行传递.
在主类中声明两个静态变量, 然后在 main 函数中给变量赋值, 试图在 map和reduce函数中获得变量的值。
代码结构类似如下:



提交到集群运行发现在 map 和 reduce函数中, 静态变量MaxScore的值始终是初值1。
于是试图在主类的静态区中给变量赋值 (因为静态区中的代码比main中的代码要先执行), 仍是不成功, MaxScore的值始终是初值1。
将上述代码在 单机hadoop上运行, 结果正常, map 函数中能获得变量的值。
思考是这个原因: 在提交作业到hadoop集群后，mapper类和reducer类就到各个 tasktracker上去运行了, 与主类独立, 不能交互。
因此，上述往 map 和 reduce 函数传参数的方法实在太天真。
于是想到其它一些方法: 例如将参数写入hdfs文件中, 然后在 mapper 和 reducer 类的 run方法中读取文件, 并将值读到相应变量，这是可行的，但是方法较复杂，代码如下：



上述方法尽管可用, 但是不是常规方法, 下面介绍常用的方法：
(1) 通过 Configuration 来传递参数
在main函数中调用set方法设置参数, 例如:



在mapper中通过上下文context来获取当前作业的配置, 并获取参数, 例如:



注: context 很有用, 能获取当前作业的大量信息,例如上面就获取了任务ID.

(2) 利用org.apache.hadoop.io.DefaultStringifier类

示例：
main中：
Configuration conf = new Configuration();
Text maxscore = new Text("12989");
DefaultStringifier.store(conf, maxscore ,"maxscore");
这样，Text对象maxscore就以“maxscore”作为key存储在conf对象中了，然后在map和reduce函数中调用load的方法便可以把对象读出。
mapper获取:
Configuration conf = context.getConfiguration()
Text out = DefaultStringifier.load(conf, "maxscore", Text.class);
需要说明的是，这个需要传递的对象必须要先实现序列化的接口，Hadoop的序列化是通过Writable接口来实现的。
(2) 参考自：http://blog.sina.com.cn/s/blog_6b7cf18f0100x9jg.html

2. 编写 Streaming 程序时，如何向map、reduce函数传递参数
可以通过 streaming 的 cmdenv 选项设置环境变量，然后在 map 和 reduce 脚本中获取环境变量。

可参考 << hadoop streaming 高级编程 >>
http://dongxicheng.org/mapreduce/hadoop-streaming-advanced-programming/

(0) 作业提交脚本:
#!/usr/bin/env bash
max_read_count=${array[0]}
min_read_count=${array[1]}
max_write_count=${array[2]}
min_write_count=${array[3]}

hadoop jar $HADOOP_HOME/contrib/streaming/hadoop-0.20.2-streaming.jar \
-D mapred.reduce.tasks=1 \
-input $input \
-output $output \
-mapper $mapper_script \
-file $map_file \
-reducer $reducer_script \
-file $reduce_file \
-cmdenv "max_read_count=${array[0]}" \ # 设置环境变量 max_read_count .
-cmdenv "min_read_count=${array[1]}" \ # 多个变量时请多次使用 -cmdenv
-cmdenv "max_write_count=${array[2]}" \
-cmdenv "min_write_count=${array[3]}" \
(1) Python mapper.py
#!/usr/bin/env python
import sys
import os

min_r_count = float(os.environ.get('min_read_count')) # get environment variables.
max_r_count = float(os.environ.get('max_read_count'))
min_w_count = float(os.environ.get('min_write_count'))
max_w_count = float(os.environ.get('max_write_count'))

(2)Shell mapper.sh

#!/usr/bin/env bash
while read line # 读入行
do
a=$line
done
echo $min_read_count $max_read_count # get environment variables.

(3)C/C++ mapper.c

#include <stdio.h>
#include <string.h>
int main(int argc, char *argv[], char *env[])
{
double min_r_count;
int i = 0;
for (i = 0; env[i] != NULL; i++) // env[i] 存储了环境变量, 每项的值为此种形式: PATH=******, 所以需要截取变量值
{
if( strstr(env[i], "PATH=") ) {
char *p =NULL;
p = strstr(env[i], "=");
if( (p-env[i]) == 4 )
printf("%s\n", ++p); // 获取 PATH 环境变量
}
if( strstr(env[i], "min_write_count=") ) {

char *p =NULL;
p = strstr(env[i], "=");
if( (p-env[i]) == strlen("min_write_count") )
printf("%s\n", ++p); // 获取 min_write_count 环境变量
}

}
char eachLine[200]={0};
while(fgets(eachLine, 199, stdin)) // read line from stdin
{
printf("%s", eachLine);
}
}

注意：
Hadoop执行命令时的选项有顺序的, 顺序是 bin/hadoop command [genericOptions] [commandOptions].
对于streaming, -D 属于genericOptions, 即hadoop的通用选项, 所以必须写在前面.
Streaming 的所有选项可以参考:
hadoop jar $HADOOP_HOME/contrib/streaming/hadoop-0.20.2-streaming.jar -info

3. 编写 Streaming 程序时，如何向map、reduce函数传递文件或文件夹。
(1) streaming 加载本地单个文件
streaming 支持 -file 选项, 可以把 -file 后面的本地文件(注意是本地文件)打包成作业提交的一部分, 即打包到作业的jar文件当中, 这样在mapreduce脚本中就可以像访问本地文件一样访问打包的文件了.
实例:
作业提交文件 run.sh



mapper.py



注意：在提交作业时使用的是 -file logs/wbscoretest.log 指定需要加载的文件. 在 map 脚本中只需要直接读取文件 wbscoretest.log 即可, 不需要写 logs/wbscoretest.log, 因为只加载了文件 wbscoretest.log, 而不会加载
logs 目录和
wbscoretest.log 文件.
(2) streaming 加载本地多个文件



(3) streaming 加载本地目录 ( 若加载多个目录，用逗号隔开，-files dir1,
dir2, dir3 )
使用streaming的 -file 选项不能加载本地目录, 我实验是如此.
我们可以使用 hadoop 的通用选项 -files 来加载本地目录, 加载成功后在mapreduce脚本中可以像访问本地目录一样访问加载的目录.
实际应用中，我们在编写 分词MapReduce作业时需要加载分词词典，就使用该方法.
作业提交脚本:



map 脚本: 读取目录下的文件.



加载多个目录：



注意：多个目录之间用逗号隔开，且不能有空格，否则会出错，这个限制太蛋疼了。
例如：


(4) streaming编程时在mapreduce脚本中读 hdfs 文件
使用 -files 选项, 后面跟需要读的 hdfs 文件路径. 这样在 mapreduce 脚本中就可以直接通过文件名来访问该文件.
作业提交脚本:



map脚本:



如果需要加载大文件, 我们可以将文件先上传到 hdfs 中, 然后在 mapreduce 脚本中读取 hdfs 文件.

(5) streaming编程时在mapreduce脚本中读 hdfs 目录
使用 -files 选项, 后面跟需要读的 hdfs 目录. 这样在 mapreduce 脚本中就可以像访问本地目录一样访问该目录.
作业提交脚本:



map脚本: 直接读取 tmp_kentzhan 目录.