Hadoop概念学习系列之Hadoop Streaming（二十三）

[b]Streaming的原理:[/b]

　　是用Java实现一个包装用户程序的MapReduce程序，该程序负责调用MapReduce Java接口获取key/value对输入，创建一个新的进程启动包装的用户程序，将数据通过管道传递给包装的用户程序处理，然后调用MapReduce Java接口将用户程序的输出切分成key/value对输出。

[b]Streaming优点：[/b]

1)开发效率高，便于移植只要按照标准输入输出格式进行编程，就可以满足hadoop要求。因此单机程序稍加改动就可以在集群上进行使用。 同样便于测试只要按照 cat input | mapper | sort | reducer > output 进行单机测试即可。 如果单机测试通过，大多数情况是可以在集群上成功运行的，只要控制好内存就好了。

2)提高程序效率。有些程序对内存要求较高，如果用java控制内存毕竟不如C/C++。

Streaming不足：

1)Hadoop Streaming默认只能处理文本数据，无法直接对二进制数据进行处理

2)Streaming中的mapper和reducer默认只能向标准输出写数据，不能方便地处理多路输出。

[b]Streaming编程接口参数[/b]

Streaming编程接口默认有很多参数，这些参数的作用其实和我们用Java 开发MapReduce里面的驱动类有点相似。具体参数介绍：

下面是对各个参数的详细说明：

　　 -input < path>：指定作业输入，path可以是文件或者目录，可以使用*通配符，-input选项可以使用多次指定多个文件或目录作为输入。

　　-output < path>：指定作业输出目录，path必须不存在，而且执行作业的用户必须有创建该目录的权限，-output只能使用一次。

　　-mapper：指定mapper可执行程序或Java类，必须指定且唯一。

　　-reducer：指定reducer可执行程序或Java类，必须指定且唯一。

　　-file, -cacheFile, -cacheArchive：分别用于向计算节点分发本地文件、HDFS文件和HDFS压缩文件。

　　-numReduceTasks：指定reducer的个数，如果设置-numReduceTasks 0或者-reducer NONE则没有reducer程序，mapper的输出直接作为整个作业的输出。

　　-jobconf | -D NAME=VALUE：指定作业参数，NAME是参数名，VALUE是参数值，可以指定的参数参考hadoop-default.xml。

　　-combiner：指定combiner Java类，对应的Java类文件打包成jar文件后用-file分发。

　　-partitioner：指定partitioner Java类，Streaming提供了一些实用的partitioner实现，参考KeyBasedFiledPartitoner和IntHashPartitioner。

　　-inputformat, -outputformat：指定inputformat和outputformat Java类，用于读取输入数据和写入输出数据，分别要实现InputFormat和OutputFormat接口。如果不指定，默认使用TextInputFormat和TextOutputFormat。

　　-cmdenv NAME=VALUE：给mapper和reducer程序传递额外的环境变量，NAME是变量名，VALUE是变量值。

　　-mapdebug, -reducedebug：分别指定mapper和reducer程序失败时运行的debug程序。

　　-verbose：指定输出详细信息，例如分发哪些文件，实际作业配置参数值等，可以用于调试。

欢迎大家，加入我的微信公众号：大数据躺过的坑 免费给分享

同时，大家可以关注我的个人博客：

http://www.cnblogs.com/zlslch/ 和 http://www.cnblogs.com/lchzls/

　　人生苦短，我愿分享。本公众号将秉持活到老学到老学习无休止的交流分享开源精神，汇聚于互联网和个人学习工作的精华干货知识，一切来于互联网，反馈回互联网。
　　目前研究领域：大数据、机器学习、深度学习、人工智能、数据挖掘、数据分析。 语言涉及：Java、Scala、Python、Shell、Linux等 。同时还涉及平常所使用的手机、电脑和互联网上的使用技巧、问题和实用软件。 只要你一直关注和呆在群里，每天必须有收获

以及对应本平台的QQ群：161156071（大数据躺过的坑）