Hadoop概念学习系列之hadoop Java API、 hadoop Streaming 、hadoop Pipes 三者比较学习（十九...
1、hadoop Java API Hadoop的主要编程语言是Java，因而，Java API是最基本的对外编程接口。 2、hadoop Streaming 1、概述 它是为方便非java用户编写Mapreduce程序而设计的工具包。 Hadoop Streaming是Hadoop提供的一个编程工具，它允许用户使用任何可执行文件或者脚本文件作为Mapper和Reducer， 例如： 采用shell脚本语言中的一些命令作为mapper和reducer（cat作为mapper，wc作为reducer） $HADOOP_HOME/bin/hadoop jar $HADOOP_HOME/contrib/streaming/hadoop-*-streaming.jar \ -input myInputDirs \ -output myOutputDir \ -mapper cat \ -reducer wc 2、Hadoop Streaming原理 mapper和reducer会从标准输入中读取用户数据，一行一行处理后发送给标准输出。Streaming工具会创建MapReduce作业，发送给各个tasktracker，同时监控整个作业的执行过程。 如果一个文件（可执行或者脚本）作为mapper，mapper初始化时，每一个mapper任务会把该文件作为一个单独进程启动，mapper任务运行时，它把输入切分成行并把每一行提供给可执行文件进程的标准输入。 同时，mapper收集可执行文件进程标准输出的内容，并把收到的每一行内容转化成key/value对，作为mapper的输出。 默认情况下，一行中第一个tab之前的部分作为key，之后的（不包括tab）作为value。如果没有tab，整行作为key值，value值为null。 对于reducer，类似。 以上是Map/Reduce框架和streaming mapper/reducer之间的基本通信协议。 3、Hadoop Streaming用法 Usage: $HADOOP_HOME/bin/hadoop jar \ $HADOOP_HOME/contrib/streaming/hadoop-*-streaming.jar [options] options： （1）-input：输入文件路径 （2）-output：输出文件路径 （3）-mapper：用户自己写的mapper程序，可以是可执行文件或者脚本 （4）-reducer：用户自己写的reducer程序，可以是可执行文件或者脚本 （5）-file：打包文件到提交的作业中，可以是mapper或者reducer要用的输入文件，如配置文件，字典等。 （6）-partitioner：用户自定义的partitioner程序 （7）-combiner：用户自定义的combiner程序（必须用java实现） （8）-D：作业的一些属性（以前用的是-jonconf），具体有： 1）mapred.map.tasks：map task数目 2）mapred.reduce.tasks：reduce task数目 3）stream.map.input.field.separator/stream.map.output.field.separator： map task输入/输出数 据的分隔符,默认均为\t。 4）stream.num.map.output.key.fields：指定map task输出记录中key所占的域数目 5）stream.reduce.input.field.separator/stream.reduce.output.field.separator：reduce task输入/输出数据的分隔符，默认均为\t。 6）stream.num.reduce.output.key.fields：指定reduce task输出记录中key所占的域数目 另外，Hadoop本身还自带一些好用的Mapper和Reducer： （1） Hadoop聚集功能 Aggregate提供一个特殊的reducer类和一个特殊的combiner类，并且有一系列的“聚合器”（例如“sum”，“max”，“min”等）用于聚合一组value的序列。用户可以使用Aggregate定义一个mapper插件类，这个类用于为mapper输入的每个key/value对产生“可聚合项”。Combiner/reducer利用适当的聚合器聚合这些可聚合项。要使用Aggregate，只需指定“-reducer aggregate”。 （2）字段的选取（类似于Unix中的‘cut’） Hadoop的工具类org.apache.hadoop.mapred.lib.FieldSelectionMapReduc帮助用户高效处理文本数据，就像unix中的“cut”工具。工具类中的map函数把输入的key/value对看作字段的列表。 用户可以指定字段的分隔符（默认是tab），可以选择字段列表中任意一段（由列表中一个或多个字段组成）作为map输出的key或者value。 同样，工具类中的reduce函数也把输入的key/value对看作字段的列表，用户可以选取任意一段作为reduce输出的key或value。 关于Hadoop Streaming高级编程方法，可参考这篇文章：Hadoop Streaming高级编程，Hadoop编程实例。 3、hadoop Pipes 它是为方便C/C++用户编写Mapreduce程序而设计的工具包。 Hadoop pipes允许C++程序员编写mapreduce程序，它允许用户混用C++和Java的RecordReader， Mapper， Partitioner，Rducer和RecordWriter等五个组件。 1. 什么是Hadoop pipes？ Hadoop pipes允许用户使用C++语言进行MapReduce程序设计。它采用的主要方法是将应用逻辑相关的C++代码放在单独的进程中，然后通过Socket让Java代码与C++代码通信。从很大程度上说，这种方法类似于Hadoop Streaming，不同之处是通信方式不同：一个是标准输入输出，另一个是socket。 org.apache.hadoop.mapred.pipes.Submitter包中有一个public static方法用于提交作业,该方法将作业封装成一个JobConf对象和一个main方法（接收一个应用程序，可选的配置文件，输入目录和输出目录等），main方法的CLI(Client Line Interface)如下： bin/hadoop pipes \ [-input inputDir] \ #输入数据目录 [-output outputDir] \ #输出数据目录 [-jar applicationJarFile] \ #应用程序jar包 [-inputformat class ] \ #Java版的InputFormat [-map class ] \ #Java版的Mapper [-partitioner class ] \#Java版的Partitioner [-reduce class ] \#Java版的Reducer [-writer class ] \ #Java版的 RecordWriter [-program program url] \ #C++可执行程序 [-conf configuration file] \#xml配置文件 [-D property=value] \ #配置JobConf属性 [-fs local|namenode:port] \#配置namenode [-jt local|jobtracker:port] \#配置jobtracker [-files comma separated list of files] \ #已经上传文件到HDFS中的文件，它们可以像在本地一样打开 [-libjars comma separated list of jars] \#要添加到classpath 中的jar包 [-archives comma separated list of archives]#已经上传到HDFS中的jar文件，可以 在程序中直接使用 本文主要介绍了Hadoop pipes的设计原理，包括设计架构，设计细节等。 2. Hadoop pipes设计架构 用户通过bin/hadoop pipes将作业提交到org.apache.hadoop.mapred.pipes中的Submmit类，它首先会进行作业参数配置（调用函数setupPipesJob），然后通过JobClient(conf).submitJob(conf)将作业提交到Hadoop集群中。 在函数setupPipesJob中，Java代码会使用ServerScoket创建服务器对象，然后通过ProcessBuilder执行C++binary， C++binary实际上是一个Socket client，它从Java server中接收key/value数据，经过处理（map，partition或者reduce等）后，返还给Java server，并由Java Server将数据写到HDFS或者磁盘。 3. Hadoop pipes设计细节 Hadoop pipes允许用户用C++编写五个基本组件：mapper，reducer，partitioner，combiner，recordReader，这五个组件可以是Java编写的，也可以是C++编写的，下面分别介绍这几个函数的执行过程。 （1） mapper Pipes会根据用户的配置定制InputFormat，如果用户要使用Java的InputFormat（hadoop.pipes.java.recordreader=true），则Hadoop会使用户输入的InputFormat（默认为TextInputFormat）；如果用户使用C++的InputFormat，则Pipes Java端的代码会读取每个InputSplit，并调用downlink.runMap(reporter.getInputSplit(), job.getNumReduceTasks(), isJavaInput);通过socket传输给C++端的runMap(string _inputSplit, int _numReduces, bool pipedInput)函数。 在C++端，RecordReader会解析整个InputSplit，获取数据来源（主要是文件路径）和每个key/value对，并交给map函数处理，map将每个key/value的处理结果通过emit(const string& key, const string& value)函数返还给Java Server。 （2） paritioner C++端处理完的结果会通过emit(const string& key, const string& value)函数传给Java Server，以便将数据写到磁盘上。在emit函数中，如果用户定义了自己的paritioner，则Pipes会通过该函数判断当前key/value将给哪个reduce task处理，并调用partitionedOutput(int reduce, const string& key,const string& value)函数将key/value传递给相应的reduce task。 （3） reducer reducer的执行过程与mapper基本一致。 4. 总结 Hadoop pipes给C++程序员提供了一个编写MapReduce作业的方案，它使用socket让Java和C++之间进行通信，这类似于thrift RPC的原理，也许Hadoop Pipes用thrift编写会更加简单。 Hadoop pipes使用Java代码从HDFS上读写数据，并将处理逻辑封装到C++中，数据会通过socket从Java传输给C++，这虽然增加了数据传输的代价，但对于计算密集型的作业，其性能也许会有改进。 本文转自大数据躺过的坑博客园博客，原文链接：http://www.cnblogs.com/zlslch/p/5449082.html，如需转载请自行联系原作者
