我正在尝试运行一个非常简单的 hadoop 作业。它是经典 wordCount 的修改版,它不是对单词进行计数,而是对文件中的行进行计数。我想用它来清理一堆我知道有重复的大日志文件(每个大约 70GB)。每一行都是一个“记录”,因此我感兴趣的是只获取每条记录一次。
我知道我的代码可以工作,因为当我使用小型普通文件运行它时,它做了它应该做的事情。当我使用大文件运行它时,Hadoop 的行为非常严格。首先,它在 MAP 阶段开始正确工作,通常可以毫无问题地达到 100%。然而,在处理 REDUCE 时,它永远不会超过 50%。它可能达到 40%,然后在显示一些“设备上没有剩余空间”异常后返回到 0%:
FSError: java.io.IOException: No space left on device
然后它再次尝试执行 REDUCE,当达到 40% 时,它会再次降至 0%,依此类推。当然,它会这样做 2 或 3 次,然后决定以失败告终。
但是,此异常的问题在于它与磁盘上的实际空间无关。磁盘空间永远不会满。不是 HDFS 上的总(全局)空间,也不是每个节点中的各个磁盘。我用以下命令检查 fs 状态:
$ hadoop dfsadmin -report > report
此报告从未显示实际节点达到 100%。事实上,没有任何节点可以接近这一点。
每个节点都有大约 60GB 的可用磁盘,并且我在具有 60 个数据节点的集群中运行它,这给了我超过 3TB 的总空间。我尝试处理的文件只有 70GB。
在互联网上查找,我发现这可能与 Hadoop 在处理大量数据时创建太多文件有关。原始的 wordCount 代码大大减少了数据(因为单词重复很多)。 70GB 的文件可以减少到仅 7MB 的输出。然而,我预计仅减少 1/3,或者输出约为 20-30GB。
Unix 类型的系统每个进程的打开文件数限制为 1024 个:
$ ulimit -n
1024
如果 hadoop 创建的数量超过这个数量,则可能会出现问题。我要求系统管理员将该限制增加到 65K,现在的限制是:
$ ulimit -n
65000
问题仍然存在。我是否需要进一步增加此限制?这里还有其他事情发生吗?
非常感谢你的帮助!
代码在这里:
package ...;
import java.io.IOException;
import java.util.StringTokenizer;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;
public class LineCountMR {
public static class MapperClass
extends Mapper<Object, Text, Text, IntWritable>{
private final static IntWritable one = new IntWritable(1);
private Text word = new Text();
private String token = new String();
public void map(Object key, Text value, Context context
) throws IOException, InterruptedException {
token = value.toString().replace(' ', '_');
word.set(token);
context.write(word, one);
}
}
public static class ReducerClass
extends Reducer<Text,IntWritable,Text,IntWritable> {
private IntWritable result = new IntWritable();
public void reduce(Text key, Iterable<IntWritable> values,
Context context
) throws IOException, InterruptedException {
int sum = 0;
for (IntWritable val : values) {
sum += val.get();
}
result.set(sum);
context.write(key, result);
}
}
public static void main(String[] args) throws Exception {
Configuration conf = new Configuration();;
if (args.length != 2) {
System.err.println("Parameters: <in> <out>");
System.exit(2);
}
Job job = new Job(conf, "line count MR");
job.setJarByClass(LineCountMR.class);
job.setMapperClass(MapperClass.class);
job.setCombinerClass(ReducerClass.class);
job.setReducerClass(ReducerClass.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
FileInputFormat.addInputPath(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
}