大数据教程（10.7）Mapreduce的其他补充（计数器、多job串联、参数优化等）

    上一篇文章分析了自定义inputFormat&＃xff08;小文件合并&＃xff09;的实现&＃xff0c;在此博主将继续Mapreduce的其他补充&＃xff08;计数器、多job串联、参数优化等&＃xff09;内容的分享。

    一、计数器应用

           在实际生产代码中&＃xff0c;常常需要将数据处理过程中遇到的不合规数据行进行全局计数&＃xff0c;类似这种需求可以借助mapreduce框架中提供的全局计数器来实现。示例代码如下&＃xff1a;

public class MultiOutputs {//通过枚举形式定义自定义计数器enum MyCounter{MALFORORMED,NORMAL}static class CommaMapper extends Mapper {&＃64;Overrideprotected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {String[] words &＃61; value.toString().split(",");for (String word : words) {context.write(new Text(word), new LongWritable(1));}//对枚举定义的自定义计数器加1context.getCounter(MyCounter.MALFORORMED).increment(1);//通过动态设置自定义计数器加1context.getCounter("counterGroupa", "countera").increment(1);}}

    二、多job串联

           之前我们分享的很多mr程序都是单个mapreduce程序来实现&＃xff1b;然而&＃xff0c;在实际生产中&＃xff0c;一个稍复杂点的处理逻辑往往需要多个mapreduce程序串联处理&＃xff0c;多job的串联可以借助mapreduce框架的JobControl实现。

           示例代码&＃xff1a;

ControlledJob cJob1 &＃61; new ControlledJob(job1.getConfiguration());ControlledJob cJob2 &＃61; new ControlledJob(job2.getConfiguration());ControlledJob cJob3 &＃61; new ControlledJob(job3.getConfiguration());cJob1.setJob(job1);cJob2.setJob(job2);cJob3.setJob(job3);// 设置作业依赖关系cJob2.addDependingJob(cJob1);cJob3.addDependingJob(cJob2);JobControl jobControl &＃61; new JobControl("RecommendationJob");jobControl.addJob(cJob1);jobControl.addJob(cJob2);jobControl.addJob(cJob3);// 新建一个线程来运行已加入JobControl中的作业&＃xff0c;开始进程并等待结束Thread jobControlThread &＃61; new Thread(jobControl);jobControlThread.start();while (!jobControl.allFinished()) {Thread.sleep(500);}jobControl.stop();return 0;

    三、mapreduce参数优化&＃xff08;MapReduce重要配置参数&＃xff09;

           资源相关参数&＃xff1a;

//以下参数是在用户自己的mr应用程序中配置就可以生效
(1) mapreduce.map.memory.mb: 一个Map Task可使用的资源上限&＃xff08;单位:MB&＃xff09;&＃xff0c;默认为1024。如果Map Task实际使用的资源量超过该值&＃xff0c;则会被强制杀死。
(2) mapreduce.reduce.memory.mb: 一个Reduce Task可使用的资源上限&＃xff08;单位:MB&＃xff09;&＃xff0c;默认为1024。如果Reduce Task实际使用的资源量超过该值&＃xff0c;则会被强制杀死。
(3) mapreduce.map.java.opts: Map Task的JVM参数&＃xff0c;你可以在此配置默认的java heap size等参数, e.g.
“-Xmx1024m -verbose:gc -Xloggc:/tmp/&＃64;taskid&＃64;.gc” &＃xff08;&＃64;taskid&＃64;会被Hadoop框架自动换为相应的taskid&＃xff09;, 默认值: “”
(4) mapreduce.reduce.java.opts: Reduce Task的JVM参数&＃xff0c;你可以在此配置默认的java heap size等参数, e.g.
“-Xmx1024m -verbose:gc -Xloggc:/tmp/&＃64;taskid&＃64;.gc”, 默认值: “”
(5) mapreduce.map.cpu.vcores: 每个Map task可使用的最多cpu core数目, 默认值: 1
(6) mapreduce.reduce.cpu.vcores: 每个Reduce task可使用的最多cpu core数目, 默认值: 1//应该在yarn启动之前就配置在服务器的配置文件中才能生效
(7) yarn.scheduler.minimum-allocation-mb 1024 给应用程序container分配的最小内存
(8) yarn.scheduler.maximum-allocation-mb 8192 给应用程序container分配的最大内存
(9) yarn.scheduler.minimum-allocation-vcores 1
(10)yarn.scheduler.maximum-allocation-vcores 32
(11)yarn.nodemanager.resource.memory-mb 8192 //shuffle性能优化的关键参数&＃xff0c;应在yarn启动之前就配置好
(12)mapreduce.task.io.sort.mb 100 //shuffle的环形缓冲区大小&＃xff0c;默认100m
mapreduce.map.sort.spill.percent 0.8 //环形缓冲区溢出的阈值&＃xff0c;默认80%

          容错相关参数

(1) mapreduce.map.maxattempts: 每个Map Task最大重试次数&＃xff0c;一旦重试参数超过该值&＃xff0c;则认为Map Task运行失败&＃xff0c;默认值&＃xff1a;4。
(2) mapreduce.reduce.maxattempts: 每个Reduce Task最大重试次数&＃xff0c;一旦重试参数超过该值&＃xff0c;则认为Map Task运行失败&＃xff0c;默认值&＃xff1a;4。
(3) mapreduce.map.failures.maxpercent: 当失败的Map Task失败比例超过该值为&＃xff0c;整个作业则失败&＃xff0c;默认值为0. 如果你的应用程序允许丢弃部分输入数据&＃xff0c;则该该值设为一个大于0的值&＃xff0c;比如5&＃xff0c;表示如果有低于5%的Map Task失败&＃xff08;如果一个Map Task重试次数超过mapreduce.map.maxattempts&＃xff0c;则认为这个Map Task失败&＃xff0c;其对应的输入数据将不会产生任何结果&＃xff09;&＃xff0c;整个作业扔认为成功。
(4) mapreduce.reduce.failures.maxpercent: 当失败的Reduce Task失败比例超过该值为&＃xff0c;整个作业则失败&＃xff0c;默认值为0.
(5) mapreduce.task.timeout: Task超时时间&＃xff0c;经常需要设置的一个参数&＃xff0c;该参数表达的意思为&＃xff1a;如果一个task在一定时间内没有任何进入&＃xff0c;即不会读取新的数据&＃xff0c;也没有输出数据&＃xff0c;则认为该task处于block状态&＃xff0c;可能是卡住了&＃xff0c;也许永远会卡主&＃xff0c;为了防止因为用户程序永远block住不退出&＃xff0c;则强制设置了一个该超时时间&＃xff08;单位毫秒&＃xff09;&＃xff0c;默认是300000。如果你的程序对每条输入数据的处理时间过长&＃xff08;比如会访问数据库&＃xff0c;通过网络拉取数据等&＃xff09;&＃xff0c;建议将该参数调大&＃xff0c;该参数过小常出现的错误提示是“AttemptID:attempt_14267829456721_123456_m_000224_0 Timed out after 300 secsContainer killed by the ApplicationMaster.”。

          本地运行mapreduce 作业

设置以下几个参数:
mapreduce.framework.name&＃61;local
mapreduce.jobtracker.address&＃61;local
fs.defaultFS&＃61;local

          效率和稳定性相关参数

(1) mapreduce.map.speculative: 是否为Map Task打开推测执行机制&＃xff0c;默认为false
(2) mapreduce.reduce.speculative: 是否为Reduce Task打开推测执行机制&＃xff0c;默认为false
(3) mapreduce.job.user.classpath.first & mapreduce.task.classpath.user.precedence&＃xff1a;当同一个class同时出现在用户jar包和hadoop jar中时&＃xff0c;优先使用哪个jar包中的class&＃xff0c;默认为false&＃xff0c;表示优先使用hadoop jar中的class。
(4) mapreduce.input.fileinputformat.split.minsize: FileInputFormat做切片时的最小切片大小&＃xff0c;(5)mapreduce.input.fileinputformat.split.maxsize: FileInputFormat做切片时的最大切片大小
(切片的默认大小就等于blocksize&＃xff0c;即 134217728)

         最后寄语&＃xff0c;以上是博主本次文章的全部内容&＃xff0c;如果大家觉得博主的文章还不错&＃xff0c;请点赞&＃xff1b;如果您对博主其它服务器大数据技术或者博主本人感兴趣&＃xff0c;请关注博主博客&＃xff0c;并且欢迎随时跟博主沟通交流。