1、reduce处理数据量尽量分段处理,如统计某个地区的用户数(用户出现N次都算1次),map输出key为地区,reduce根据key做处理时,
避免将所有记录放到一个map中,待全部数据处理完后再统计次数。 自己总结的做法时,一个Key处理一次,如浙江省的,如福建省所
有的记录都处理完这后就马上统计结果,避免存放太多明细数据消耗内存。 提高处理效率,减少内存使用情况
2、reduce输出结果时,如果涉及到输出结果至其他接口,如数据库,hbase等。避免在处理完所有stdin之后循环外处理这些数据,原因为:
a.进度不可见。mapred管理界面上的进度是以stdin处理完的结果,所以在循环stdin处理之后的操作,不会在进度中显示。
b.如果循环外的处理很耗时,可能会导至作业的超时完收到完成消息而发生异常。
解决办法:利用第一条的方法,处理完一条结果写入一条记录,即使写入速度慢也不会出现超时的情况
3、stdin循环中,不要出现break,我的理解是(没看过源码实现):mapred框架在调用reduce时,如果reduce自己break退出程序,mapred框
架仍然往reduce作业写数据,导致异常
streaming 参数说明
-input <path> 输入数据路径
-output <path> 输出数据路径
-mapper <cmd|JavaClassName>mapper可执行程序或Java类
-reducer <cmd|JavaClassName>reducer可执行程序或Java类
-file <file> Optional 分发本地文件
-cacheFile <file> Optional 分发HDFS文件
-cacheArchive <file> Optional 分发HDFS压缩文件
-numReduceTasks <num> Optional reduce任务个数
-jobconf | -D NAME=VALUE Optional 作业配置参数
-combiner <JavaClassName> Optional Combiner Java类
-partitioner <JavaClassName> Optional Partitioner Java类
-inputformat <JavaClassName> Optional InputFormat Java类
-outputformat <JavaClassName> Optional OutputFormat Java类
-inputreader <spec> Optional InputReader配置
-cmdenv <n>=<v> Optional 传给mapper和reducer的环境变量
-mapdebug <path> Optional mapper失败时运行的debug程序
-reducedebug <path> Optional reducer失败时运行的debug程序
-verbose Optional 详细输出模式
命令参数详解下面是对各个参数的详细说明:
-input <path>:指定作业输入,path可以是文件或者目录,可以使用*通配符,-input选项可以使用多次指定多个文件或目录作为输入。
-output <path>:指定作业输出目录,path必须不存在,而且执行作业的用户必须有创建该目录的权限,-output只能使用一次。
-mapper:指定mapper可执行程序或Java类,必须指定且唯一。
-reducer:指定reducer可执行程序或Java类,必须指定且唯一。
-file, -cacheFile, -cacheArchive:分别用于向计算节点分发本地文件、HDFS文件和HDFS压缩文件
-numReduceTasks:指定reducer的个数,如果设置-numReduceTasks 0或者-reducer NONE则没有reducer程序,mapper的输出直接作为整个作业的输出。 -jobconf | -D NAME=VALUE:指定作业参数,NAME是参数名,VALUE是参数值,可以指定的参数参考hadoop-default.xml。特别建议用-jobconf mapred.job.name=’My Job Name’设置作业名,使用-jobconf mapred.job.priority=VERY_HIGH | HIGH | NORMAL | LOW | VERY_LOW设置作业优先级,使用-jobconf mapred.job.map.capacity=M设置同时最多运行M个map任务,使用-jobconf mapred.job.reduce.capacity=N设置同时最多运行N个reduce任务。常见的作业配置参数如下表所示:mapred.job.name 作业名mapred.job.priority 作业优先级mapred.job.map.capacity 最多同时运行map任务数mapred.job.reduce.capacity 最多同时运行reduce任务数hadoop.job.ugi 作业执行权限mapred.map.tasks map任务个数mapred.reduce.tasks reduce任务个数mapred.job.groups 作业可运行的计算节点分组mapred.task.timeout 任务没有响应(输入输出)的最大时间mapred.compress.map.output map的输出是否压缩mapred.map.output.compression.codec map的输出压缩方式mapred.output.compress reduce的输出是否压缩mapred.output.compression.codec reduce的输出压缩方式stream.map.output.field.separator map输出分隔符
-combiner:指定combiner Java类,对应的Java类文件打包成jar文件后用-file分发。
-partitioner:指定partitioner Java类,Streaming提供了一些实用的partitioner实现
-inputformat, -outputformat:指定inputformat和outputformat Java类,用于读取输入数据和写入输出数据,分别要实现InputFormat和OutputFormat接口。如果不指定,默认使用TextInputFormat和TextOutputFormat。
-cmdenv NAME=VALUE:给mapper和reducer程序传递额外的环境变量,NAME是变量名,VALUE是变量值。
-mapdebug, -reducedebug:分别指定mapper和reducer程序失败时运行的debug程序。
-verbose:指定输出详细信息,例如分发哪些文件,实际作业配置参数值等,可以用于调试。注意事项1).mapper或reducer程序尽量输出一些重要的错误日志到标准错误,不要写本地文件,因为程序执行完以后本地文件就会被删除,但是输出到标准错误的日志会被保存,有利于出现问题定位程序问题。但是量不要太大,否则会影响性能。2).注意mapper和reducer程序的返回值,Streaming框架默认认为程序返回值为0时用户程序正常,非0时用户程序异常从而导致任务失败,多次任务失败导致作业失败。3).mapper或reducer程序在遇到从标准输入读到EOF,读标准输入异常,pipe broken异常,写标准输出异常,写标准错误异常时,应该主动退出。4).mapper或reducer程序可以在当前目录下创建临时文件进行读写,但是不允许向它的上层目录,或者在cacheArchive解压后的目录中创建或写文件。5).zip压缩包中不能有中文字符的文件名,否则Java解压会出现异常。如果使用新版本命令格式,命令行中参数要先指定genericOptions如-D,然后指定commandOptions如-mapper
联系客服