streaming实现mapreduce

1、reduce处理数据量尽量分段处理，如统计某个地区的用户数（用户出现N次都算1次)，map输出key为地区,reduce根据key做处理时，

　　避免将所有记录放到一个map中，待全部数据处理完后再统计次数。 自己总结的做法时，一个Key处理一次，如浙江省的，如福建省所

　　有的记录都处理完这后就马上统计结果，避免存放太多明细数据消耗内存。 提高处理效率,减少内存使用情况

2、reduce输出结果时,如果涉及到输出结果至其他接口，如数据库，hbase等。避免在处理完所有stdin之后循环外处理这些数据，原因为：

　　a.进度不可见。mapred管理界面上的进度是以stdin处理完的结果，所以在循环stdin处理之后的操作，不会在进度中显示。 

 　　b.如果循环外的处理很耗时，可能会导至作业的超时完收到完成消息而发生异常。

 　　解决办法：利用第一条的方法，处理完一条结果写入一条记录，即使写入速度慢也不会出现超时的情况

3、stdin循环中，不要出现break，我的理解是(没看过源码实现)：mapred框架在调用reduce时，如果reduce自己break退出程序，mapred框

　　架仍然往reduce作业写数据，导致异常

streaming 参数说明

-input <path> 输入数据路径

-output <path> 输出数据路径

-mapper <cmd|JavaClassName>mapper可执行程序或Java类

-reducer <cmd|JavaClassName>reducer可执行程序或Java类

-file <file> Optional 分发本地文件

-cacheFile <file> Optional 分发HDFS文件

-cacheArchive <file> Optional 分发HDFS压缩文件

-numReduceTasks <num> Optional reduce任务个数

-jobconf | -D NAME=VALUE Optional 作业配置参数

-combiner <JavaClassName> Optional Combiner Java类

-partitioner <JavaClassName> Optional Partitioner Java类

-inputformat <JavaClassName> Optional InputFormat Java类

-outputformat <JavaClassName> Optional OutputFormat Java类

-inputreader <spec> Optional InputReader配置

-cmdenv   <n>=<v> Optional 传给mapper和reducer的环境变量

-mapdebug <path> Optional mapper失败时运行的debug程序

-reducedebug <path> Optional reducer失败时运行的debug程序

-verbose Optional 详细输出模式

命令参数详解下面是对各个参数的详细说明：

-input <path>：指定作业输入，path可以是文件或者目录，可以使用*通配符，-input选项可以使用多次指定多个文件或目录作为输入。

-output <path>：指定作业输出目录，path必须不存在，而且执行作业的用户必须有创建该目录的权限，-output只能使用一次。

-mapper：指定mapper可执行程序或Java类，必须指定且唯一。

-reducer：指定reducer可执行程序或Java类，必须指定且唯一。

-file, -cacheFile, -cacheArchive：分别用于向计算节点分发本地文件、HDFS文件和HDFS压缩文件

-numReduceTasks：指定reducer的个数，如果设置-numReduceTasks 0或者-reducer NONE则没有reducer程序，
　　　mapper的输出直接作为整个作业的输出。 -jobconf | -D NAME=VALUE：指定作业参数，NAME是参数名，VALUE
　　 是参数值，可以指定的参数参考hadoop-default.xml。特别建议用-jobconf mapred.job.name=’My Job Name’
　　 设置作业名，使用-jobconf mapred.job.priority=VERY_HIGH | HIGH | NORMAL | LOW | VERY_LOW设置
　　 作业优先级，使用-jobconf mapred.job.map.capacity=M设置同时最多运行M个map任务，使用
　　 -jobconf mapred.job.reduce.capacity=N设置同时最多运行N个reduce任务。
  
　　 常见的作业配置参数如下表所示：
 　　mapred.job.name 作业名
　　 mapred.job.priority 作业优先级
　　 mapred.job.map.capacity 最多同时运行map任务数
　　 mapred.job.reduce.capacity 最多同时运行reduce任务数
　　 hadoop.job.ugi 作业执行权限
　　 mapred.map.tasks map任务个数
　　 mapred.reduce.tasks reduce任务个数
　　 mapred.job.groups 作业可运行的计算节点分组
  　 mapred.task.timeout 任务没有响应（输入输出）的最大时间
　　 mapred.compress.map.output map的输出是否压缩
　　 mapred.map.output.compression.codec map的输出压缩方式
　　 mapred.output.compress reduce的输出是否压缩
　　 mapred.output.compression.codec reduce的输出压缩方式
　　 stream.map.output.field.separator map输出分隔符

-combiner：指定combiner Java类，对应的Java类文件打包成jar文件后用-file分发。

-partitioner：指定partitioner Java类，Streaming提供了一些实用的partitioner实现

-inputformat, -outputformat：指定inputformat和outputformat Java类，用于读取输入数据和写入输出数据，
　　分别要实现InputFormat和OutputFormat接口。如果不指定，默认使用TextInputFormat和TextOutputFormat。

-cmdenv NAME=VALUE：给mapper和reducer程序传递额外的环境变量，NAME是变量名，VALUE是变量值。

-mapdebug, -reducedebug：分别指定mapper和reducer程序失败时运行的debug程序。

-verbose：指定输出详细信息，例如分发哪些文件，实际作业配置参数值等，可以用于调试。
　　注意事项
　　1).mapper或reducer程序尽量输出一些重要的错误日志到标准错误，不要写本地文件，因为程序执行完以后本地文件就会被删
　　　　除，但是输出到标准错误的日志会被保存，有利于出现问题定位程序问题。但是量不要太大，否则会影响性能。
 　　2).注意mapper和reducer程序的返回值，Streaming框架默认认为程序返回值为0时用户程序正常，非0时用户程序异常从而
　　　　导致任务失败，多次任务失败导致作业失败。
 　　3).mapper或reducer程序在遇到从标准输入读到EOF，读标准输入异常，pipe broken异常，写标准输出异常，写标准错误异
　　　　常时，应该主动退出。
 　　4).mapper或reducer程序可以在当前目录下创建临时文件进行读写，但是不允许向它的上层目录，或者在cacheArchive解压
　　　　后的目录中创建或写文件。
 　　5).zip压缩包中不能有中文字符的文件名，否则Java解压会出现异常。如果使用新版本命令格式，命令行中参数要先指定
　　　　genericOptions如-D，然后指定commandOptions如-mapper