hadoop streaming 多路输出 [转载]

转载 http://www.cnblogs.com/shapherd/archive/2012/12/21/2827860.html
hadoop 支持reduce多路输出的功能，一个reduce可以输出到多个part-xxxxx-X文件中，其中X是A-Z的字母之一，程序在输出<key,value>对的时候，在value的后面追加"#X"后缀，比如#A，输出的文件就是part-00000-A，不同的后缀可以把key,value输出到不同的文件中，方便做输出类型分类， #X仅仅用做指定输出文件后缀， 不会体现到输出的内容中

使用方法

启动脚本中需要指定-outputformat org.apache.hadoop.mapred.lib.SuffixMultipleTextOutputFormat或者-outputformat org.apache.hadoop.mapred.lib.SuffixMultipleSequenceFileOutputFormat， 输出就会按照多路输出的方式进行分文件输出

所有标准输出的value中都要加上 #X后缀，X代表A-Z， 不然会报invalid suffix错误

$HADOOP_HOME_PATH/bin/hadoop streaming \
-Dhadoop.job.ugi="$HADOOP_JOB_UGI" \
-file ./map.sh \
-file ./red.sh \
-file ./config.sh \
-mapper "sh -x map.sh" \
-reducer "sh -x red.sh" \
-input $NEW_INPUT_PATH \
-input $OLD_INPUT_PATH \
-output  $OUTPUT_PATH \
-jobconf stream.num.map.output.key.fields=1 \
-partitioner org.apache.hadoop.mapred.lib.KeyFieldBasedPartitioner \
-outputformat org.apache.hadoop.mapred.lib.SuffixMultipleTextOutputFormat \
-jobconf mapred.job.name="test-shapherd-dist-diff" \
-jobconf mapred.job.priority=HIGH \
-jobconf mapred.job.map.capacity=100 \
-jobconf mapred.job.reduce.capacity=100 \
-jobconf mapred.reduce.tasks=3

在red脚本中可以所以的输出都加上后缀， 这样输出就是分part的了，比如大数据diff对比的脚本

map.sh如下：

source ./config.sh

awk 'BEGIN{
}
{
if(match("'${map_input_file}'","'$OLD_INPUT_PATH'"))
{
print $0"\t"0
next
}
if(match("'${map_input_file}'","'$NEW_INPUT_PATH'"))
print $0"\t"1
}'

exit 0

red.sh如下

awk  -F"\t" 'BEGIN{
key=""
flag=0
num=0
old_num=0
new_num=0
diff_num=0
}
{
if($NF == "0")
old_num++
else
new_num++
if($1 != key)
{
if(key != "")
{
if(num <= 1)
{
diff_num++
if(flag == "0")
print $0"#A"
else
print $0"#B"
}
}
key=$1
flag=$NF
num=1
next
}

if(key == $1)
{
num++
next
}

}
END{
if(num  == 1)
{
if(flag == "0")
print $0"#A"
else
print $0"#B"
}

print old_num"\tshapherd#C"
print new_num"\tshapherd#D"
print diff_num"\tshapherd#E"
}'

exit 0

我的两个大数据没有diff， 所以输出就是：

part-00000-C
part-00000-D
part-00000-E
part-00001-C
part-00001-D
part-00001-E
part-00002-C
part-00002-D
part-00002-E

没有A和B结尾的

注意事项

多路输出最多支持26路， 也就是字母只能是A-Z范围。

reduce的输入key和value的分隔符默认是\t, 如果输出中没有\t，reduce脚本会把整行当作key， value就是空的，这时如果加了#X，会报invalid suffix错误，因为#X作为了key的一部分，这种问题一种是保证你的key和value是按照\t分隔的， 一种是指定自己想要的分隔符。