python - hadoop 中的拆分和映射任务数

Question

我是 Map Reduce 编程的新手，我用 Python 编写了我的算法，我需要在“n”个数据集上运行同一程序(我的算法)的“n”个 map 实例。因为我的代码是用 python 编写的，所以我正在为我的代码使用 hadoopstreaming。

Hadoopstreaming 文档在这里建议 - http://hadoop.apache.org/docs/r1.2.1/streaming.html#How+do+I+process+files%2C+one+per+map%3F，“生成一个包含输入文件的完整 HDFS 路径的文件。每个映射任务将获得一个文件名作为输入。”

因此，我创建了一个文本文件，其中包含我的每个数据集文件的路径。只是为了测试，我已经从这个 - http://www.michael-noll.com/tutorials/writing-an-hadoop-mapreduce-program-in-python/ 编写了字数统计程序。在我的 map 功能中，我在进行实际字数统计之前编写了以下代码

for line in sys.stdin:
    # obtain filename from file list
    filename = line.rstrip('\n')
    localfilename = ntpath.basename(filename)
    os.environ("hadoop dfs -get"+line+ " " + localfilename)

Q1。所以我的理解是，每一行都将作为我的 map 函数的拆分，因此拆分数应该是我的主文件中的拆分数或行数。我的主文件中有三个文件名，但我可以看到创建了 2 个拆分。为什么会这样？

Q2。我的工作失败了，我不知道为什么，去哪里查看这些日志文件？

Q3。除此之外，我还有另一个选项来处理我的要求，将我所有的三个数据集放在一个文件中并用一些特定的分隔符分隔它，然后可以设置这个 conf.set(“textinputformat.record.delimiter”, “specific-delimiter "), 但问题是它必须在 java 中完成。还有，在很多论坛上，都是写写自定义记录阅读器来实现的。由于我不会java，我正在用python编写我的实现，无论如何设置这个参数还是不写java代码就可以设置？

Q4。 hadoop 中是否还有我缺少的任何其他选项来处理我的要求？

hduser@master:~/code$ hadoop jar /usr/local/hadoop-2.2.0/share/hadoop/tools/lib/hadoop-streaming-2.2.0.jar -mapper "python $PWD/fileprocess.py" -reducer "python $PWD/reduce.py" -input final.txt -output output.txt
14/09/16 05:27:23 WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
packageJobJar: [/home/hduser/tmp/hadoop-unjar4045267665479713934/] [] /tmp/streamjob4078572719514334736.jar tmpDir=null
14/09/16 05:27:26 INFO client.RMProxy: Connecting to ResourceManager at master/10.0.0.4:8032
14/09/16 05:27:26 INFO client.RMProxy: Connecting to ResourceManager at master/10.0.0.4:8032
14/09/16 05:27:31 INFO mapred.FileInputFormat: Total input paths to process : 1
14/09/16 05:27:31 INFO mapreduce.JobSubmitter: number of splits:2
14/09/16 05:27:31 INFO Configuration.deprecation: user.name is deprecated. Instead, use mapreduce.job.user.name
14/09/16 05:27:31 INFO Configuration.deprecation: mapred.jar is deprecated. Instead, use mapreduce.job.jar
14/09/16 05:27:31 INFO Configuration.deprecation: mapred.output.value.class is deprecated. Instead, use mapreduce.job.output.value.class
14/09/16 05:27:31 INFO Configuration.deprecation: mapred.mapoutput.value.class is deprecated. Instead, use mapreduce.map.output.value.class
14/09/16 05:27:31 INFO Configuration.deprecation: mapred.job.name is deprecated. Instead, use mapreduce.job.name
14/09/16 05:27:31 INFO Configuration.deprecation: mapred.input.dir is deprecated. Instead, use mapreduce.input.fileinputformat.inputdir
14/09/16 05:27:31 INFO Configuration.deprecation: mapred.output.dir is deprecated. Instead, use mapreduce.output.fileoutputformat.outputdir
14/09/16 05:27:31 INFO Configuration.deprecation: mapred.map.tasks is deprecated. Instead, use mapreduce.job.maps
14/09/16 05:27:31 INFO Configuration.deprecation: mapred.output.key.class is deprecated. Instead, use mapreduce.job.output.key.class
14/09/16 05:27:31 INFO Configuration.deprecation: mapred.mapoutput.key.class is deprecated. Instead, use mapreduce.map.output.key.class
14/09/16 05:27:31 INFO Configuration.deprecation: mapred.working.dir is deprecated. Instead, use mapreduce.job.working.dir
14/09/16 05:27:34 INFO mapreduce.JobSubmitter: Submitting tokens for job: job_1410171456875_0012
14/09/16 05:27:34 INFO impl.YarnClientImpl: Submitted application application_1410171456875_0012 to ResourceManager at master/10.0.0.4:8032
14/09/16 05:27:35 INFO mapreduce.Job: The url to track the job: http://master:8088/proxy/application_1410171456875_0012/
14/09/16 05:27:35 INFO mapreduce.Job: Running job: job_1410171456875_0012
14/09/16 05:27:51 INFO mapreduce.Job: Job job_1410171456875_0012 running in uber mode : false
14/09/16 05:27:51 INFO mapreduce.Job:  map 0% reduce 0%
14/09/16 05:28:11 INFO mapreduce.Job: Task Id : attempt_1410171456875_0012_m_000001_0, Status : FAILED
Error: java.lang.RuntimeException: PipeMapRed.waitOutputThreads(): subprocess failed with code 2
    at org.apache.hadoop.streaming.PipeMapRed.waitOutputThreads(PipeMapRed.java:320)
    at org.apache.hadoop.streaming.PipeMapRed.mapRedFinished(PipeMapRed.java:533)
    at org.apache.hadoop.streaming.PipeMapper.close(PipeMapper.java:130)
    at org.apache.hadoop.mapred.MapRunner.run(MapRunner.java:61)
    at org.apache.hadoop.streaming.PipeMapRunner.run(PipeMapRunner.java:34)
    at org.apache.hadoop.mapred.MapTask.runOldMapper(MapTask.java:429)
    at org.apache.hadoop.mapred.MapTask.run(MapTask.java:341)
    at org.apache.hadoop.mapred.YarnChild$2.run(YarnChild.java:162)
    at java.security.AccessController.doPrivileged(Native Method)
    at javax.security.auth.Subject.doAs(Subject.java:415)
    at org.apache.hadoop.security.UserGroupInformation.doAs(UserGroupInformation.java:1491)
    at org.apache.hadoop.mapred.YarnChild.main(YarnChild.java:157)

Answer 1

问题 1:Hadoop 将按其认为合适的方式拆分每个文件，但无法保证哪些行位于何处。您需要将行放入单独的文件中，以确保它们由单独的映射器处理。

对于您的示例，如果您有三个文件名，而不是将它们全部放入一个 /TEMP/files 文件中，您应该在一个子文件夹中创建三个文件，每个文件有一个文件名，然后添加它们像这样进入你的工作:-input/TEMP/files/*。这将为您提供所需的行为。

请注意，您不会获得数据的任何位置。将获得第一个文件引用的映射器可能需要从另一个节点获取它。根据集群的大小，您可能需要为正在处理的大部分文件访问网络。

问题 2: 命令行输出仅告诉您 java 容器故障，而不是 python 的实际错误。为此，您应该转到工作跟踪器页面:http://localhost:50030/jobtracker.jsp

从那里您可以在失败的工作 下找到您的工作。单击该页面上的失败任务，然后在任务日志 列中选择一个选项。从那里您将看到 python 脚本的 stderr 输出。

你正在用 os.environ 做一些奇怪的事情。您应该使用子流程来执行命令。例如:

from subprocess import call
call(["/usr/bin/hadoop", "dfs", "-get", line, localfilename])

问题 3: 我不太确定这里的要求是什么。您是在谈论上面文件引用的实际文件，然后您将直接通过 -get 进入您的映射器吗？您正在手动处理它们，因此它们的格式无关紧要，因为它们不会被传递到 map/reduce。

Q4:您似乎有一些文件想要并行处理，但您不需要使用 map/reduce。您基本上只是想利用这样一个事实，即您有一个带有一堆 cpu 的 hadoop 集群。这很好并且可以工作，但除了将工作改组到奴隶之外，你并没有真正将 hadoop 用于任何其他事情。