又是期末又是实训TA的事耽搁了好久……先把写好的放上博客吧
相关随笔：
- Hadoop-1.0.4集群搭建笔记
- 用python + hadoop streaming 编写分布式程序（一） -- 原理介绍，样例程序与本地调试
- 用python + hadoop streaming 编写分布式程序（二） -- 在集群上运行与监控
使用额外的文件
假如你跑的job除了输入以外还需要一些额外的文件（side data），有两种选择：
-
大文件
所谓的大文件就是大小大于设置的local.cache.size的文件，默认是10GB。这个时候可以用-file来分发。除此之外代码本身也可以用file来分发。
格式：假如我要加多一个sideData.txt给python脚本用：
$HADOOP_HOME/bin/hadoop jar $HADOOP_HOME/hadoop-streaming.jar -input iputDir -output outputDir -mapper mapper.py -file mapper.py -reducer reduer.py -file reducer.py -file sideDate.txt在python脚本里，只要把这个文件当成自己同一目录下的本地文件来打开就可以了。比如：
f = open("sideData.txt")注意这个file是只读的，不可以写。
-
小文件
如果是比较小的文件，想要提高读写速度可以将它放在distributed cache里（也就是每台机器都有自己的一份copy，不需要网络IO就可以拿到数据）。这里要用到的参数是-cachefile，写法和用法上一个一样，就是-file改成-cachefile而已。
控制partitioner
partitioning指的是数据经过mapper处理后，被分发到reducer上的过程。partitioner控制的，就是“怎样的mapper输出会被分发到哪一个reducer上”。
Hadoop有几个自带的partitioner，解释可以看这里。默认的是HashPartitioner，也就是把第一个tab前的key做hash之后用于分配partition。写Hadoop Streaming程序是可以选择其他partitioner的，你可以选择自带的其他几种里的一种，也可以自己写一个继承Partitioner的java类然后编译成jar，在运行参数里指定为你用的partitioner。
官方自带的partitioner里最常用的是KeyFieldBasedPartitioner（源代码可以看这里）。它会按照key的一部分来做partition，而不是用整个key来做partition。
在学会用KeyFieldBasedPartitioner之前，必然要先学怎么控制key-value的分割。分割key的步骤可以分为两步，用python来描述一下大约是
fields = output.split(seperator)
key = fields[:numKeyfields]
-
选择用什么符号来分割key，也就是选择seperator
map.output.key.field.separator可以指定用于分隔key的符号。比如指定为一点的话，就要加上参数
-D stream.map.output.field.separator=.假设你的mapper输出是
11.22.33.44这时会先看准[11, 22, 33, 44]这里的其中一个或几个作为key
-
选择key的范围，也就是选择numKeyfields
控制key的范围的参数是这个，假设我要设置被分割出的前2个元素为key：
-D stream.num.map.output.key.fields=2那么key就是上面的 1122。值得注意的是假如这个数字设置到覆盖整个输出，在这个例子里是4的话，那么整一行都会变成key。
上面分割出key之后， KeyFieldBasedPartitioner还需要知道你想要用key里的哪部分作为partition的依据。它进行配置的过程可以看源代码来理解。
假设在上一步我们通过使用
-D stream.map.output.field.separator=.
-D stream.num.map.output.key.fields=4
将11.22.33.44的整个字符串都设置成了key，下一步就是在这个key的内部再进行一次分割。map.output.key.field.separator可以用来设置第二次分割用的分割符，mapred.text.key.partitioner.options可以接受参数来划分被分割出来的partition key，比如：
-D map.output.key.field.separator=.
-D mapred.text.key.partitioner.options=-k1,2
指的就是在key的内部里，将第1到第2个被点分割的元素作为partition key，这个例子里也就是1122。这里的值-ki,j表示从i到j个元素（inclusive）会作为partition key。如果终点省略不写，像-ki的话，那么i和i之后的元素都会作为partition key。
partition key相同的输出会保证分到同一个reducer上，也就是所有11.22.xx.xx的输出都会到同一个partitioner，11.22换成其他各种组合也是一样。
实例说明一下，就是这样的：
-
mapper的输出是
11.12.1.2 11.14.2.3 11.11.4.1 11.12.1.1 11.14.2.2 -
指定前4个元素做key，key里的前两个元素做partition key，分成3个partition的话，就会被分成
11.11.4.1 ----------- 11.12.1.2 11.12.1.1 ----------- 11.14.2.3
11.14.2.2 -
下一步reducer会对自己得到的每个partition内进行排序，结果就是
11.11.4.1 ----------- 11.12.1.1 11.12.1.2 ----------- 11.14.2.2 11.14.2.3
命令格式大约就是长这样
$HADOOP_HOME/bin/hadoop jar $HADOOP_HOME/hadoop-streaming.jar
-D stream.map.output.field.separator=.
-D stream.num.map.output.key.fields=4
-D map.output.key.field.separator=.
-D mapred.text.key.partitioner.options=-k1,2
-input inputDir
-output outputDir
-mapper mapper.py -file mapper.py
-reducer reducer.py -file reducer.py
-partitioner org.apache.hadoop.mapred.lib.KeyFieldBasedPartitioner
注意-D参数放在前面，指定用KeyFieldBasedPartitioner的-partitioner要放在下面。
控制comparator与自定义排序
上面说到mapper的输出被partition到各个reducer之后，会有一步排序。这个排序的标准也是可以通过设置comparator控制的。和上面一样，要先设置分割出key用的分隔符、key的范围，key内部分割用的分隔符
-D stream.map.output.field.separator=.
-D stream.num.map.output.key.fields=4
-D map.output.key.field.separator=. 这里要控制的就是key内部的哪些元素用来做排序依据，是排字典序还是数字序，倒序还是正序。用来控制的参数是mapred.text.key.comparator.options，接受的值格式类似于unix sort。比如我要按第二个元素的数字序（默认字典序）+倒序来排元素的话，就用
-D mapred.text.key.comparator.options=-k2,2nr
n表示数字序，r表示倒序。这样一来
11.12.1.2
11.14.2.3
11.11.4.1
11.12.1.1
11.14.2.2
就会被排成
11.14.2.3
11.14.2.2
11.12.1.2
11.12.1.1
11.11.4.1