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);
}
}
答案 0 :(得分:4)
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。
答案 1 :(得分:1)
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。