hadoop streaming欄位排序介紹
我們在使用hadoop streaming的時候預設streaming的map和reduce的separator不指定的話,map和reduce會根據它們預設的分隔符來進行排序
map:預設的分隔符是\t
reduce:預設的分隔符是" "
得到的結果都是按第一個分隔符排序去重後的結果
假設我們的有這麼一列資料:USER IP DIR
我們想得到某一個使用者的某一個ip的一系列dir,那我們應該怎麼辦呢?
這裡我們就會用到streaming map和reduce的separator來指定key來進行排序和去重
1.預設情況
在hadoop streaming的預設情況下,是以”\t”作為分隔符的。對於標準輸入來說,每行的第一個”\t” 以前的部分為key,其他部分為對應的value。如果一個”\t”字元沒有,則整行都被當做key。這個
2.map階段的sort與partition
map階段很重要的階段包括sort與partition。排序是按照key來進行的。咱們之前講了預設的key是由”\t”分隔得到的。我們能不能自己控制相關的sort與partition呢?答案是可以的。
先看以下幾個引數:
map.output.key.field.separator: map中key內部的分隔符
num.key.fields.for.partition: 分桶時,key按前面指定的分隔符分隔之後,用於分桶的key佔的列數。通俗地講,就是partition時候按照key中的前幾列進行劃分,相同的key會被打到同一個reduce裡。
-partitioner org.apache.hadoop.mapred.lib.KeyFieldBasedPartitioner 前兩個引數,要配合partitioner選項使用!
stream.map.output.field.separator: map中的key與value分隔符
stream.num.map.output.key.fields: map中分隔符的位置
stream.reduce.output.field.separator: reduce中key與value的分隔符
stream.num.reduce.output.key.fields: reduce中分隔符的位置
3.分桶測試例項
準備資料:
$ cat tmp
1,2,1,1,1
1,2,2,1,1
1,3,1,1,1
1,3,2,1,1
1,3,3,1,1
1,2,3,1,1
1,3,1,1,1
1,3,2,1,1
1,3,3,1,1
上傳到hdfs中。
cat mapper.sh
#!/bin/bash
cat
$ cat reducer.sh
#!/bin/bash
sort
#!/bin/bash
streaming=/usr/lib/hadoop-mapreduce/hadoop-streaming-2.5.0-cdh5.2.0.jar
output=/tmp/wanglei/part_out
if hadoop fs -test -d $output
then
hadoop fs -rm -r $output
fi
hadoop jar $streaming \
-D map.output.key.field.separator=, \
-D num.key.fields.for.partition=2 \
-D stream.reduce.output.field.separator=, \
-D stream.num.reduce.output.key.fields=4 \
-D mapred.reduce.tasks=2 \
-partitioner org.apache.hadoop.mapred.lib.KeyFieldBasedPartitioner \
-input /tmp/wanglei/partition \
-output $output \
-mapper "sh mapper.sh" \
-reducer "sh reducer.sh" \
-file mapper.sh \
-file reducer.sh
程式碼最後的執行結果:
$ hadoop fs -cat /tmp/wanglei/part_out/part-00000
1,3,1,1 1
1,3,1,1 1
1,3,2,1 1
1,3,2,1 1
1,3,3,1 1
1,3,3,1 1
$ hadoop fs -cat /tmp/wanglei/part_out/part-00001
1,2,1,1 1
1,2,2,1 1
1,2,3,1 1
稍微解釋一下輸出:
1.map階段,key是按逗號分隔的,partition的階段取前兩個欄位,所以前兩個欄位相同的key都被打到同一個reduce裡。這一點從reduce的兩個檔案結果中就能看出來。
2.reduce階段通過stream.reduce.output.field.separator指定分隔符為”,”,通過stream.num.reduce.output.key.fields指定前4個欄位為key,所以才會有最終的結果。
需要注意的幾個小點:
1.之前寫的程式碼,當分發的檔案有多個的時候,可以用-files指定。但是加了上面的引數以後,再用-files會報錯。具體原因未知。
2.-file 引數必須寫在最後面。如果寫在-input前面,程式碼也會報錯。具體原因暫時也未知。
3.-partitioner org.apache.hadoop.mapred.lib.KeyFieldBasedPartitioner引數必須指定,否則程式碼沒法輸出預期結果。
4.map階段輸出測試例項
stream.map.output.field.separator與stream.num.map.output.key.fields與上面partition一組引數指定map輸出格式是一致的。不一樣的地方在stream這組引數是真正用於map端的輸出,而partition那組引數是用於分桶!
看下測試程式碼就清楚了:
#!/bin/bash
streaming=/usr/lib/hadoop-mapreduce/hadoop-streaming-2.5.0-cdh5.2.0.jar
output=/tmp/wanglei/part_out_map
if hadoop fs -test -d $output
then
hadoop fs -rm -r $output
fi
hadoop jar $streaming \
-D stream.map.output.field.separator=, \
-D stream.num.map.output.key.fields=2 \
-input /tmp/wanglei/partition \
-output $output \
-mapper "sh mapper.sh" \
-file mapper.sh
$ hadoop fs -cat /tmp/wanglei/part_out_map/*
1,2 3,1,1
1,2 2,1,1
1,2 1,1,1
1,3 3,1,1
1,3 2,1,1
1,3 1,1,1
1,3 3,1,1
1,3 2,1,1
1,3 1,1,1
將reducer部分去掉,只輸出mapper的結果。可以看出:
1.mapper階段輸出的k,v以”\t”分隔(框架預設)
2.mapper階段以”,”分隔,key佔了兩個欄位。
3.mapper階段按key排序,所以1,2開頭的資料在前,1,3開頭的資料在後!