Streaming簡介
Streaming框架允許任何程序語言實現的程序在Hadoop MapReduce中使用，方便已有程序向Hadoop平臺移植。因此可以說對於hadoop的擴展性意義重大，今天簡單說一下。
Streaming的原理是用Java實現一個包裝用戶程序的MapReduce程序，該程序負責調用MapReduce Java接口獲取key/value對輸入，創建一個新的進程啓動包裝的用戶程序，將數據通過管道傳遞給包裝的用戶程序處理，然後調用MapReduce Java接口將用戶程序的輸出切分成key/value對輸出。
Streaming優點
1 開發效率高，便於移植
只要按照標準輸入輸出格式進行編程，就可以滿足hadoop要求。因此單機程序稍加改動就可以在集羣上進行使用。 同樣便於測試
只要按照 cat input | mapper | sort | reducer > output 進行單機測試即可。
如果單機測試通過，大多數情況是可以在集羣上成功運行的，只要控制好內存就好了。
2 提高程序效率
有些程序對內存要求較高，如果用java控制內存畢竟不如C/C++。
Streaming不足
1 Hadoop Streaming默認只能處理文本數據，無法直接對二進制數據進行處理
2 Streaming中的mapper和reducer默認只能向標準輸出寫數據，不能方便地處理多路輸出
具體參數介紹
|
-input <path> |
輸入數據路徑 |
|
-output <path> |
輸出數據路徑 |
|
-mapper <cmd|JavaClassName> |
mapper可執行程序或Java類 |
|
-reducer <cmd|JavaClassName> |
reducer可執行程序或Java類 |
|
-file <file> Optional |
分發本地文件 |
|
-cacheFile <file> Optional |
分發HDFS文件 |
|
-cacheArchive <file> Optional |
分發HDFS壓縮文件 |
|
-numReduceTasks <num> Optional |
reduce任務個數 |
|
-jobconf | -D NAME=VALUE Optional |
作業配置參數 |
|
-combiner <JavaClassName> Optional |
Combiner Java類 |
|
-partitioner <JavaClassName> Optional |
Partitioner Java類 |
|
-inputformat <JavaClassName> Optional |
InputFormat Java類 |
|
-outputformat <JavaClassName>Optional |
OutputFormat Java類 |
|
-inputreader <spec> Optional |
InputReader配置 |
|
-cmdenv <n>=<v> Optional |
傳給mapper和reducer的環境變量 |
|
-mapdebug <path> Optional |
mapper失敗時運行的debug程序 |
|
-reducedebug <path> Optional |
reducer失敗時運行的debug程序 |
|
-verbose Optional |
詳細輸出模式 |
下面是對各個參數的詳細說明：
l -input <path>：指定作業輸入，path可以是文件或者目錄，可以使用*通配符，-input選項可以使用多次指定多個文件或目錄作爲輸入。
l -output <path>：指定作業輸出目錄，path必須不存在，而且執行作業的用戶必須有創建該目錄的權限，-output只能使用一次。
l -mapper：指定mapper可執行程序或Java類，必須指定且唯一。
l -reducer：指定reducer可執行程序或Java類，必須指定且唯一。
l -file, -cacheFile, -cacheArchive：分別用於向計算節點分發本地文件、HDFS文件和HDFS壓縮文件。
l -numReduceTasks：指定reducer的個數，如果設置-numReduceTasks 0或者-reducer NONE則沒有reducer程序，mapper的輸出直接作爲整個作業的輸出。
-jobconf | -D NAME=VALUE：指定作業參數，NAME是參數名，VALUE是參數值，可以指定的參數參考hadoop-default.xml。特別建議用-jobconf mapred.job.name='My Job Name'設置作業名，使用-jobconf mapred.job.priority=VERY_HIGH | HIGH | NORMAL | LOW | VERY_LOW設置作業優先級，使用-jobconf mapred.job.map.capacity=M設置同時最多運行M個map任務，使用-jobconf mapred.job.reduce.capacity=N設置同時最多運行N個reduce任務。常見的作業配置參數如下表所示：
|
mapred.job.name |
作業名 |
|
mapred.job.priority |
作業優先級(-jobconf mapred.job.queue.name=<queue_name> mapred.job.priority=<VERY_LOW|LOW|NORMAL|HIGH|VERY_HIGH>) |
|
mapred.job.map.capacity |
最多同時運行map任務數 |
|
mapred.job.reduce.capacity |
最多同時運行reduce任務數 |
|
hadoop.job.ugi |
作業執行權限 |
|
mapred.map.tasks |
map任務個數 |
|
mapred.reduce.tasks |
reduce任務個數 |
|
mapred.job.groups |
作業可運行的計算節點分組 |
|
mapred.task.timeout |
任務沒有響應（輸入輸出）的最大時間 |
|
mapred.compress.map.output |
map的輸出是否壓縮 |
|
mapred.map.output.compression.codec |
map的輸出壓縮方式 |
|
mapred.output.compress |
reduce的輸出是否壓縮 |
|
mapred.output.compression.codec |
reduce的輸出壓縮方式 |
|
stream.map.output.field.separator |
map輸出分隔符 |
l -combiner：指定combiner Java類，對應的Java類文件打包成jar文件後用-file分發。
l -partitioner：指定partitioner Java類，Streaming提供了一些實用的partitioner實現，參考KeyBasedFiledPartitoner和IntHashPartitioner。
l -inputformat, -outputformat：指定inputformat和outputformat Java類，用於讀取輸入數據和寫入輸出數據，分別要實現InputFormat和OutputFormat接口。如果不指定，默認使用TextInputFormat和TextOutputFormat。
l -cmdenv NAME=VALUE：給mapper和reducer程序傳遞額外的環境變量，NAME是變量名，VALUE是變量值。
l -mapdebug, -reducedebug：分別指定mapper和reducer程序失敗時運行的debug程序。
l -verbose：指定輸出詳細信息，例如分發哪些文件，實際作業配置參數值等，可以用於調試。