[Hadoop in Action] 第6章编程实践

数据手艺人
2022-11-13
原文

Hadoop程序开发的独门绝技
在本地，伪分布和全分布模式下调试程序
程序输出的完整性检查和回归测试
日志和监控
性能调优

1、开发MapReduce程序

[本地模式]

本地模式下的hadoop将所有的运行都放在一个单独的Java虚拟机中完成，并且使用的是本地文件系统（非HDFS）。在本地模式中运行的程序将所有的日志和错误信息都输出到控制台，最后它会给出所处理数据的总量。

对程序进行正确性检查：

完整性检查
回归测试
考虑使用long而非int

[伪分布模式]

本地模式不具备生产型hadoop集群的分布式特征。一些bug在运行本地模式时是不会出现的。现在是通过日志文件和web界面远程监视它，这些工具和以后在监控生产集群时用的工具是相同的。

2、生产集群上的监视和调试

[计数器]

代码清单使用计数器统计缺失值个数的MapClass

 import java.io.IOException;<br/>
 import java.util.regex.PatternSyntaxException;<br/>
 import java.util.Iterator;

 import org.apache.hadoop.conf.Configuration;<br/>
 import org.apache.hadoop.conf.Configured;<br/>
 import org.apache.hadoop.fs.Path;<br/>
 import org.apache.hadoop.io.IntWritable;<br/>
 import org.apache.hadoop.io.LongWritable;<br/>
 import org.apache.hadoop.io.DoubleWritable;<br/>
 import org.apache.hadoop.io.Text;<br/>
 import org.apache.hadoop.mapred.*;<br/>
 import org.apache.hadoop.util.Tool;<br/>
 import org.apache.hadoop.util.ToolRunner;

 public class AveragingWithCombiner extends Configured implements Tool {

     public static class MapClass extends MapReduceBase<br/>
         implements Mapper<LongWritable, Text, Text, Text> {

         static enum ClaimsCounters { MISSING, QUOTED };

         public void map(LongWritable key, Text value,<br/>
                         OutputCollector<Text, Text> output,<br/>
                         Reporter reporter) throws IOException {

             String fields[] = value.toString().split(",", -20);<br/>
             String country = fields[4];<br/>
             String numClaims = fields[8];<br/>
             if (numClaims.length() == 0) {<br/>
                 reporter.incrCounter(ClaimsCounters.MISSING, 1);<br/>
             } else if (numClaims.startsWith("\"")) {<br/>
                 reporter.incrCounter(ClaimsCounters.QUOTED, 1);<br/>
             } else {<br/>
                 output.collect(new Text(country), new Text(numClaims + ",1"));<br/>
             }

         }<br/>
     }

     public static class Combine extends MapReduceBase<br/>
         implements Reducer<Text, Text, Text, Text> {

         public void reduce(Text key, Iterator<Text> values,<br/>
                            OutputCollector<Text, Text> output,<br/>
                            Reporter reporter) throws IOException {

             double sum = 0;<br/>
             int count = 0;<br/>
             while (values.hasNext()) {<br/>
                 String fields[] = values.next().toString().split(",");<br/>
                 sum += Double.parseDouble(fields[0]);<br/>
                 count += Integer.parseInt(fields[1]);<br/>
             }<br/>
             output.collect(key, new Text(sum + "," + count));<br/>
         }<br/>
     }

     public static class Reduce extends MapReduceBase<br/>
         implements Reducer<Text, Text, Text, DoubleWritable> {

         public void reduce(Text key, Iterator<Text> values,<br/>
                            OutputCollector<Text, DoubleWritable> output,<br/>
                            Reporter reporter) throws IOException {

             double sum = 0;<br/>
             int count = 0;<br/>
             while (values.hasNext()) {<br/>
                 String fields[] = values.next().toString().split(",");<br/>
                 sum += Double.parseDouble(fields[0]);<br/>
                 count += Integer.parseInt(fields[1]);<br/>
             }<br/>
             output.collect(key, new DoubleWritable(sum/count));<br/>
         }<br/>
     }

     public int run(String[] args) throws Exception {<br/>
         // Configuration processed by ToolRunner<br/>
         Configuration conf = getConf();

         // Create a JobConf using the processed conf<br/>
         JobConf job = new JobConf(conf, AveragingWithCombiner.class);

         // Process custom command-line options<br/>
         Path in = new Path(args[0]);<br/>
         Path out = new Path(args[1]);<br/>
         FileInputFormat.setInputPaths(job, in);<br/>
         FileOutputFormat.setOutputPath(job, out);

         // Specify various job-specific parameters<br/>
         job.setJobName("AveragingWithCombiner");<br/>
         job.setMapperClass(MapClass.class);<br/>
         job.setCombinerClass(Combine.class);<br/>
         job.setReducerClass(Reduce.class);

         job.setInputFormat(TextInputFormat.class);<br/>
         job.setOutputFormat(TextOutputFormat.class);<br/>
         job.setOutputKeyClass(Text.class);<br/>
         job.setOutputValueClass(Text.class);

         // Submit the job, then poll for progress until the job is complete<br/>
         JobClient.runJob(job);

         return 0;<br/>
     }

     public static void main(String[] args) throws Exception {<br/>
         // Let ToolRunner handle generic command-line options<br/>
         int res = ToolRunner.run(new Configuration(), new AveragingWithCombiner(), args);

         System.exit(res);<br/>
     }<br/>
 }

[跳过坏记录]

（1）在Java中配置记录跳读

hadoop从0.19版本起就已经支持skipping特征了，但默认状态是关闭的。在Java中，这个特征由类SkipBadRecords来控制，全部由静态方法组成。作业的driver需要调用如下的一个或全部方法：

public static void setMapperMaxSkipRecords(Configuration conf, long maxSkipRecs)

public static void setReducerMaxSkipGroups(Configuration conf, long maxSkipRecs)

来分别为map任务和reduce任务打开记录跳读的设置。如果最大的跳读区域大小被设置为0（默认），那么记录跳读就处于关闭状态。可以使用JobConf.setMaxMapAttempts()和JobConf.setMaxReduceAttempts()方法，或者设置等效的属性mapred.map.max.attempts和mapred.reduce.max.attempts来做到这点。

如果skipping被启用，hadoop在任务失效两次后就进入skipping模式。你可以在SkipBadRecords的setAttemptsToStartSkipping()方法中设置触发skipping模式的任务失效次数：

public static void setAttemptsToStartSkipping(Configuration conf, int attemptsToStartSkipping)

hadoop会把被跳过的记录写入HDFS以供以后分析，它们以序列文件的形式写入_log/skip目录，可以用hadoop fs -text <filepath>解压并读取。你可以使用方法SkipBadRecords.setSkipOutputPath(JobConf conf, Path path)修改当前用于存放被跳过记录的目录_log/skip，如果path被设为空，或者一个值为“none”的字符串path，hadoop就会放弃记录被跳过的记录。

（2）在Java之外配置记录跳读

SkipBadRecords方法	JobConf属性
setAttemptsToStartSkipping()	mapred.skip.attempts.to.start.skipping
setMapperMaxSkipRecords()	mapred.skip.map.max.skip.records
setReducerMaxSkipGroups()	mapred.skip.reduce.max.skip.groups
setSkipOutputPath()	mapred.skip.out.dir
setAutoIncrMapperProcCount()	mapred.skip.map.auto.incr.proc.count
setAutoIncrReducerProcCount()	mapred.skip.reduce.auto.incr.proc.count

3、性能调优

（1）通过combiner来减少网络流量

Combiner可以减少在map和reduce阶段之间洗牌的数据量，较低的网络流量缩短了执行时间。

（2）减少输入数据量

（3）使用压缩

hadoop内置支持压缩与解压。启用对map输出的压缩涉及对两个属性的配置：

属性	描述
mapred.compress.map.output	Boolean属性，表示mapper的输出是否被压缩
mapred.map.output.compression.codec	Class属性，表示哪种CompressionCodec被用于压缩mapper的输出

conf.setBoolean(“mapred.compress.map.output”, true);

conf.setClass(“mapred.map.output.compression.codec”, GzipCodec.calss, CompressionCodec.class);

也可以直接使用JobConf中的便捷方法setCompressionMapOutput()和setMapOutputCompressorClass()。

（4）重用JVM

hadoop从版本0.19.0开始，允许相同作业的多个任务之间重用JVM。因此，启动开销被平摊到多个任务中。一个新属性（mapred.job.reuse.jvm.num.tasks）指定了一个JVM可以运行的最大任务数。它默认值为1，此时JVM不能被重用。你可以增大该属性值来启用JVM重用。如果将其设置为－1，则意味着在可重复使用JVM的任务数量上没有限制。在JobConf对象中有一个便捷方法，setNumTasksToExecutePerJvm(int)，可以用它很方便地设置作业的属性。

（5）根据猜测执行来运行

启动和禁止猜测执行的配置属性：

属性	描述
mapred.map.tasks.speculative.execution	布尔属性，表示是否运行map任务猜测执行
mapred.reduce.tasks.speculative.execution	布尔属性，表示是否运行reduce任务猜测执行