利用Hadoop Streaming处理二进制格式文件

Hadoop Streaming是Hadoop提供的多语言编程工具，用户可以使用自己擅长的编程语言（比如python、php或C#等）编写Mapper和Reducer处理文本数据。Hadoop Streaming自带了一些配置参数可友好地支持多字段文本数据的处理，参与Hadoop Streaming介绍和编程，可参考我的这篇文章：“Hadoop Streaming编程实例”。然而，随着Hadoop应用越来越广泛，用户希望Hadoop Streaming不局限在处理文本数据上，而是具备更加强大的功能，包括能够处理二进制数据；能够支持多语言编写Combiner等组件。随着Hadoop 2.x的发布，这些功能已经基本上得到了完整的实现，本文将介绍如何使用Hadoop Streaming处理二进制格式的文件，包括SequenceFile，HFile等。

注：本文用到的程序实例可在百度云：hadoop-streaming-binary-examples 下载。

在详细介绍操作步骤之前，先介绍本文给出的实例。假设有这样的SequenceFile，它保存了手机通讯录信息，其中，key是好友名，value是描述该好友的一个结构体或者对象，为此，本文使用了google开源的protocol buffer这一序列化/反序列化框架，protocol buffer结构体定义如下：

SequenceFile文件中的value便是保存的Person对象序列化后的字符串，这是典型的二进制数据，不能像文本数据那样可通过换行符解析出每条记录，因为二进制数据的每条记录中可能包含任意字符，包括换行符。

一旦有了这样的SequenceFile之后，我们将使用Hadoop Streaming编写这样的MapReduce程序：这个MapReduce程序只有Map Task，任务是解析出文件中的每条好友记录，并以name \t age,phone,address的文本格式保存到HDFS上。

　1. 准备数据

首先，我们需要准备上面介绍的SequenceFile数据，生成数据的核心代码如下：

需要注意的，Value保存类型为BytesWritable，使用这个类型非常容易犯错误。当你把一堆byte[]数据保存到BytesWritable后，通过BytesWritable.getBytes()再读到的数据并不一定是原数据，可能变长了很多，这是因为BytesWritable采用了自动内存增长算法，你保存的数据长度为size时，它可能将数据保存到了长度为capacity（capacity>size）的buffer中，这时候，你通过BytesWritable.getBytes()得到的数据最后一些字符是多余的，如果里面保存的是protocol buffer序列化后的字符串，则无法反序列化，这时候可以使用BytesWritable.setCapacity (value.getSize())将后面多余空间剔除掉。

　2. 使用Hadoop Streaming编写C++程序

为了说明Hadoop Streaming如何处理二进制格式数据，本文仅仅以C++语言为例进行说明，其他语言的设计方法类似。

先简单说一下原理。当输入数据是二进制格式时，Hadoop Streaming会对输入key和value进行编码后，通过标准输入传递给你的Hadoop Streaming程序，目前提供了两种编码格式，分别是rawtypes和  typedbytes，你可以设计你想采用的格式，这两种编码规则如下（具体在文章“Hadoop Streaming高级编程”中已经介绍了）：

rawbytes：key和value均用【4个字节的长度+原始字节】表示

typedbytes：key和value均用【1字节类型+4字节长度+原始字节】表示

本文将采用第一种编码格式进行说明。采用这种编码意味着你不能想文本数据那样一次获得一行内容，而是依次获得key和value序列，其中key和value都由两部分组成，第一部分是长度（4个字节），第二部分是字节内容，比如你的key是dongxicheng，value是goodman，则传递给hadoop streaming程序的输入数据格式为11 dongxicheng 7 goodman。为此，我们编写下面的Mapper程序解析这种数据：

其中，辅助函数实现如下：

该程序需要注意以下几点：

（1）注意大小端编码规则，解析key和value长度时，需要对长度进行字节翻转。

（2）注意循环结束条件，仅仅靠!cin.eof()判定是不够的，仅靠这个判定会导致多输出一条重复数据。

（3）本程序只能运行在linux系统下，windows操作系统下将无法运行，因为windows下的标准输入cin并直接支持二进制数据读取，需要将其强制以二进制模式重新打开后再使用。

　　3. 程序测试与运行

程序写好后，第一步是编译C++程序。由于该程序需要运行在多节点的Hadoop集群上，为了避免部署或者分发动态库带来的麻烦，我们直接采用静态编译方式，这也是编写Hadoop C++程序的基本规则。为了静态编译以上MapReduce程序，安装protocol buffers时，需采用以下流程（强调第一步），

./configure –disable-shared

make –j4

make install

然后使用以下命令编译程序，生成可执行文件ProtoMapper：

g++ -o ProtoMapper ProtoMapper.cpp person.pb.cc `pkg-config –cflags –static –libs protobuf` -lpthread

在正式将程序提交到Hadoop集群之前，需要先在本地进行测试，本地测试运行脚本如下：

　　注意以下几点：

（1）使用stream.map.input指定输入数据解析成rawbytes格式

（2） 使用-jt和-fs两个参数将程序运行模式设置为local模式

（3）使用-inputformat指定输入数据格式为SequenceFileInputFormat

（4）使用mapred.reduce.tasks将Reduce Task数目设置为0

在本地tmp/output111目录下查看测试结果是否正确，如果没问题，可改写该脚本（去掉-fs和-jt两个参数，将输入和输出目录设置成HDFS上的目录），将程序直接运行在Hadoop上。