这些东西是我自己的理解， 如果有错误的地方，或者有哪些地方走了弯路，请帮我指出我的错误，谢谢
Hadoop Streaming 是一个工具， 代替编写Java的实现类，而利用可执行程序来完成map-reduce过程
工作流程 ：
InputFile --> mappers --> [Partitioner] --> reducers --> outputFiles
理解 :
1 输入文件，可以是指定远程文件系统内的文件夹下的 *
2 通过集群自己分解到各个PC上，每个mapper是一个可执行文件，相应的启动一个进程，来实现你的逻辑
3
mapper 的输入为标准输入，所以，任何能够支持标准输入的可执行的东西，c,c++(编译出来的可执行文件),python,......都可以作
为mapper 和
reducer mapper的输出为标准输出，如果有Partitioner,就给它，如果没有，它的输出将作为reducer的输入
4 Partitioner 为可选的项，二次排序，可以对结果进行分类打到结果文件里面,它的输入是mapper的标准输出，它的输出，将作为reducer的标准输入
5 reducer 同 mapper
6 输出文件夹，在远端文件不能重名
Hadoop Streaming
1 ： hadoop-streaming.jar 的位置 ： $HADOOP_HOME/contrib/streaming 内
官方上面关于hadoop-streaming 的介绍已经很详细了，而且也有了关于python的例子，我就不说了,这里总结下自己的经验
1 指定 mapper or reducer 的 task 官方上说要用 -jobconf 但是这个参数已经过时，不可以用了，官方说要用
-D, 注意这个-D是要作为最开始的配置出现的，因为是在maper 和 reducer 执行之前，就需要硬性指定好的，所以要出现在参数的最前面
./bin/hadoop jar hadoop-0.19.2-streaming.jar -D .........-input
........ 类似这样，这样，即使你程序最后只指定了一个输出管道，但是还是会有你指定的task数量的结果文件，只不过多余的就是空的 实验以下
就知道了
2 关于二次排序，由于是用的streaming 所以，在可执行文件内，只能够处理逻辑，还有就是输出，当然我们也可以指定二次排序，但是由于是全部参数化，不是很灵活。比如:
10.2.3.40 1
11.22.33.33 1
www.renren.com 1
www.baidu.com 1
10.2.3.40 1
这样一个很规整的输入文件，需求是要把记录独立的ip和url的count 但是输出文件要分分割出来。
官方网站的例子，是指定 key 然后对key 指定 主-key 和 key 用来排序，而 主-key 用来二次排序，这样会输出你想要的东西， 但是对于上面最简单的需求，对于传递参数，我们如何做呢?
其实我们还是可以利用这一点，在我们mapper 里面，还是按照/t来分割key
value 但是我们要给key指定一个主-key 用来给Partitioner
来实现二次排序，所以我们可以稍微处理下这个KEY,我们可以简单的判断出来ip 和
url 的区别，这样，我们就人为的加上一个主-key 我们在mapper里面，给每个key人为的加上一个"标签"，用来给partitioner做
二次排序用，比如我们的mapper的输出是这样
D&10.2.3.40 1
D&11.22.33.33 1
W&www.renren.com 1
W&www.baidu.com 1
D&10.2.3.40 1
然后通过传递命令参数
-partitioner org.apache.hadoop.mapred.lib.KeyFieldBasedPartitioner //指定要求二次排序
-jobconf map.output.key.field.separator='&' //这里如果不加两个单引号的话我的命令会死掉
-jobconf num.key.fields.for.partition=1 //这里指第一个 & 符号来分割，保证不会出错
这样我们就可以通过 partitioner 来实现二次排序了
在reducer里面，我们再把"标签"摘掉(不费吹灰之力)就可以做到悄无声息的完成二次排序了。
3: 关于模块化
(强调 ： 没有在集群上测试，只在单机上做测试)
程序员最悲剧的就是不能代码复用，做这个也一样，用hadoop-streaming 也一样，要做到代码重用，是我第一个考虑的问题
当我看到 -file(详细可以看官方网站上的讲解) 的时候，我就想到利用这个东西，果然，我的在本机上建立了一个py模块，简单的一个函数
然后在我的mapper里面import 它，本地测试通过后，利用-file 把模块所在的问价夹用 -file moudle/* 这个参数，传入streaming
执行的结果毫无错误，这样，我们就可以抽象出来一些模块的东西，来实现我们模块化的需求
注 : 不要忘记 chmod +x *.py 将py 变成可执行的，不然不可以运行
代码 :
1: 模块代码 mg.py 用来给 mapper 贴标签
def mgFunction(line):
if(line[0] >= '0' and line[0] <= '9'):
return "D&" + line
return "W&" + line
2: mapper.py
#!/usr/bin/env python
import sys
sys.path.append('/home/liuguoqing/Desktop/hadoop-0.19.2/moudle')
import mg
for line in sys.stdin:
line = mg.mgFunction(line)
line = line.strip()
# print line
words = line.split()
print '%s\t%s' % (words[0], words[1])
3: reducer.py
#!/usr/bin/env python
import sys
user_login_day = {}
for line in sys.stdin:
line = line[2:]//去掉帽子
line = line.strip()
userid, day = line.split('\t', 1)
user_login_day[userid] = user_login_day.get(userid, 0) + 1
for uid in user_login_day.keys():
print '%s\t%d' % (uid, user_login_day[uid])
这样就实现了模块化的可以二次排序的hadoop-streaming
命令
./bin/hadoop jar hadoop-0.19.2-streaming.jar \
#streaming jar
-D mapred.reduce.tasks=2 \
#指定2个reduce来处理
-input user_login_day-input2/* \
#指定输入文件 可以用 dir/* 方式
-output user_login_day-output102
#指定输出文件夹
-mapper ~/Desktop/hadoop-0.19.2/python/mapper/get_user_login_day_back.py \
#指定mapper 可执行文件 我用全路径，好像用相对路径会出错...
-reducer ~/Desktop/hadoop-0.19.2/python/reducer/get_user_login_day_back.py \
#指定reducer 可执行文件
-file ~/Desktop/hadoop-0.19.2/moudle/* \
#指定模块化的库文件 dir/* 模式
-partitioner org.apache.hadoop.mapred.lib.KeyFieldBasedPartitioner \
#指定 partitioner 参数为class
-jobconf map.output.key.field.separator='&' \
#指定 主-key 的分割符号为 '&'
-jobconf num.key.fields.for.partition=1
#指定为第一个‘&’
liuguoqing@liuguoqing-desktop:~/Desktop/hadoop-0.19.2$ ./bin/hadoop jar
hadoop-0.19.2-streaming.jar -D mapred.reduce.tasks=2 -input
user_login_day-input2/* -output user_login_day-output102 -mapper
~/Desktop/hadoop-0.19.2/python/mapper/get_user_login_day_back.py
-reducer
~/Desktop/hadoop-0.19.2/python/reducer/get_user_login_day_back.py -file
~/Desktop/hadoop-0.19.2/moudle/* -partitioner
org.apache.hadoop.mapred.lib.KeyFieldBasedPartitioner -jobconf
map.output.key.field.separator='&' -jobconf
num.key.fields.for.partition=1
10/01/24 03:19:15 WARN streaming.StreamJob: -jobconf option is deprecated, please use -D instead.
packageJobJar:
[/home/liuguoqing/Desktop/hadoop-0.19.2/moudle/mg.py,
/home/liuguoqing/Desktop/hadoop-0.19.2/moudle/mg.pyc,
/tmp/hadoop-liuguoqing/hadoop-unjar6780057097425964518/] []
/tmp/streamjob3100401358387519950.jar tmpDir=null
10/01/24 03:19:15 INFO mapred.FileInputFormat: Total input paths to process : 2
10/01/24 03:19:15 INFO streaming.StreamJob: getLocalDirs(): [/tmp/hadoop-liuguoqing/mapred/local]
10/01/24 03:19:15 INFO streaming.StreamJob: Running job: job_201001221008_0065
10/01/24 03:19:15 INFO streaming.StreamJob: To kill this job, run:
10/01/24
03:19:15 INFO streaming.StreamJob:
/home/liuguoqing/Desktop/hadoop-0.19.2/bin/../bin/hadoop job
-Dmapred.job.tracker=hdfs://localhost:9881 -kill job_201001221008_0065
10/01/24 03:19:15 INFO streaming.StreamJob: Tracking URL: http://localhost:50030/jobdetails.jsp?jobid=job_201001221008_0065
10/01/24 03:19:16 INFO streaming.StreamJob: map 0% reduce 0%
10/01/24 03:19:17 INFO streaming.StreamJob: map 33% reduce 0%
10/01/24 03:19:18 INFO streaming.StreamJob: map 67% reduce 0%
10/01/24 03:19:19 INFO streaming.StreamJob: map 100% reduce 0%
10/01/24 03:19:27 INFO streaming.StreamJob: map 100% reduce 50%
10/01/24 03:19:32 INFO streaming.StreamJob: map 100% reduce 100%
10/01/24 03:19:32 INFO streaming.StreamJob: Job complete: job_201001221008_0065
10/01/24 03:19:32 INFO streaming.StreamJob: Output: user_login_day-output102
liuguoqing@liuguoqing-desktop:~/Desktop/hadoop-0.19.2$ ./bin/hadoop dfs -ls user_login_day-output102
Found 3 items
drwxr-xr-x - liuguoqing supergroup 0 2010-01-24 03:19 /user/liuguoqing/user_login_day-output102/_logs
-rw-r--r-- 1 liuguoqing supergroup 25 2010-01-24 03:19 /user/liuguoqing/user_login_day-output102/part-00000
-rw-r--r-- 1 liuguoqing supergroup 47 2010-01-24 03:19 /user/liuguoqing/user_login_day-output102/part-00001
liuguoqing@liuguoqing-desktop:~/Desktop/hadoop-0.19.2$ ./bin/hadoop dfs -cat user_login_day-output102/part-00000
54321 2
99999 1
12345 12
liuguoqing@liuguoqing-desktop:~/Desktop/hadoop-0.19.2$ ./bin/hadoop dfs -cat user_login_day-output102/part-00001
http://www.renren.com 3
http://www.baidu.com 3
以上为操作结果显示
4 : c++ 的应用
只要写两个个标准输入输出的mapper reducer，然后
g++ mapper.cpp -o mapper
g++ reducer.cpp -o reducer
生成的两个可执行的 mapper reducer 的文件作为mapper 和 reducer 参数就可以了，执行的命令和上面是一样的
代码 ：
mapper.cpp
#include <stdio.h>
#include <string>
#include <iostream>
using namespace std;
int main(){
string key;
string value;
while(cin>>key){
cin>>value;
cout<<key<<"\t"<<value<<endl;
}
return 0;
}
reducer.cpp
#include <stdio.h>
#include <string>
#include <map>
#include <iostream>
using namespace std;
int main(){
string key;
string value;
map<string, int> word2count;
map<string, int> :: iterator it;
while(cin>>key){
cin>>value;
it = word2count.find(key);
if(it != word2count.end()){
++it->second;
}
else{
word2count.insert(make_pair(key, 1));
it->second = 0;
}
}
for(it = word2count.begin(); it != word2count.end(); ++it){
cout<<it->first<<"\t"<<it->second<<endl;
}
return 0;
}
这样就可以利用c++来编写 hadoop map-reduce 了。
注 ： 以上操作均没有在集群机上测试，如果有错误，请大家指出。谢谢