Question

我正在尝试运行一个非常简单的hadoop工作。它是对经典wordCount的修改，它不计算单词，而是计算文件中的行数。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”，因此我只想获得每个记录一次。

我知道我的代码可以运行，因为当我使用小的普通文件运行它时它会做它应该做的事情。当我使用大文件运行它时，Hadoop表现得很严格。首先，它开始正确地处理MAP阶段，通常达到100％而没有问题。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“设备上没有剩余空间”例外后再回到0％：

FSError: java.io.IOException: No space left on device

然后它再次尝试REDUCE，当它达到40％时，它再次下降到0％，依此类推。当然，它在决定结束时没有成功的情况下做了2到3次。

但是，此异常的问题在于它无法与磁盘上的实际空间相关联。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单个磁盘。我用以下方法检查fs状态：

$ hadoop dfsadmin -report > report

此报告从未显示实际节点达到100％。事实上，没有任何节点接近这一点。

我为每个节点提供了大约60GB的可用磁盘，我在一个包含60个数据节点的集群中运行它，这使我的总空间超过3TB。我试图处理的文件只有70GB。

在互联网上查看，我发现这可能与Hadoop在处理大量数据时创建过多文件有关。原始的wordCount代码大大减少了数据（因为单词重复很多）。一个70GB的文件可以减少到只有7MB的输出。但是，我预计只会减少1/3，或者输出大约20-30GB。

Unix类型系统每个进程限制为1024个打开文件：

$ ulimit -n
1024

如果hadoop创造了更多，那可能是个问题。我要求系统管理员将该限制增加到65K，这就是现在的限制：

$ ulimit -n
65000

问题仍然存在。这可能是我需要进一步增加这个限制吗？还有其他事情在这里发生吗？

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);
  }
}

Answer 1

我在处理10TB数据时在群集上看到了这个问题。此问题与HDFS上的空间可用性无关，但本地文件系统上可用的空间（df -h）用于存储map-reduce操作期间生成的中间数据，该操作存储在本地而非HDFS中。

Answer 2

在我的情况下，它是Hadoop缓存目录

ubuntu@ip-*-*-*-*:/tmp/hadoop-ubuntu/mapred/local/localRunner/ubuntu/jobcache

清理它解决了这个问题。

Hadoop无法完成工作，因为“设备上没有剩余空间”

2 个答案: