Question

我构建了一个基本的Web解析器，它使用hadoop将url交给多个线程。这很有效，直到我到达输入文件的末尾，Hadoop在仍有线程运行时声明自己完成。这会导致错误org.apache.hadoop.fs.FSError：java.io.IOException：Stream Closed。反正是否保持流打开足够长的时间让线程完成？（我可以合理准确地预测线程在单个URL上花费的最长时间）。

这是我如何执行线程

public static class Map extends MapReduceBase implements
            Mapper<LongWritable, Text, Text, Text> {
        private Text word = new Text();
        private URLPile pile = new URLPile();
        private MSLiteThread[] Threads = new MSLiteThread[16];
        private boolean once = true;

        @Override
        public void map(LongWritable key, Text value,
                OutputCollector<Text, Text> output, Reporter reporter) {

            String url = value.toString();
            StringTokenizer urls = new StringTokenizer(url);
            Config.LoggerProvider = LoggerProvider.DISABLED;
             System.out.println("In Mapper");
            if (once) {
                for (MSLiteThread thread : Threads) {
                    System.out.println("created thread");
                    thread = new MSLiteThread(pile);
                    thread.start();
                }
                once = false;
            }

            while (urls.hasMoreTokens()) {
                try {
                    word.set(urls.nextToken());
                    String currenturl = word.toString();
                    pile.addUrl(currenturl, output);

                } catch (Exception e) {
                    e.printStackTrace();
                    continue;
                }

            }

        }

线程本身会得到像这样的网址

    public void run(){
            try {
            sleep(3000);
                while(!done()){
                    try {
                    System.out.println("in thread");
                      MSLiteURL tempURL = pile.getNextURL();
                      String currenturl = tempURL.getURL();
                      urlParser.parse(currenturl);
                      urlText.set("");
                      titleText.set(currenturl+urlParser.export());
                      System.out.println(urlText.toString()+titleText.toString());
                      tempURL.getOutput().collect(urlText, titleText);
                      pile.doneParsing();
                     sleep(30);
                    } catch (Exception e) {
                          pile.doneParsing();
                    e.printStackTrace();
                        continue;
                    }
                }
            } catch (InterruptedException e) {
                // TODO Auto-generated catch block
                e.printStackTrace();
            }
            System.out.println("Thread done");

        }

urlpile中的相关方法是

public synchronized void addUrl(String url,OutputCollector<Text, Text> output) throws InterruptedException {
        while(queue.size()>16){
            System.out.println("queue full");
            wait();
        }
        finishedParcing--;
        queue.add(new MSLiteURL(output,url));
        notifyAll();
    }

    private Queue<MSLiteURL> queue = new LinkedList<MSLiteURL>();
    private int sent = 0;
    private int finishedParcing = 0;
    public synchronized MSLiteURL getNextURL() throws InterruptedException {

        notifyAll();
        sent++;
        //System.out.println(queue.peek());
        return queue.remove();

    }

Answer 1

正如我可以从下面的评论中推断出的那样，你可以在每个map（）函数中做到这一点，以简化操作。我看到你做了以下事情，预先创建了一些空闲线程。您可以将以下代码移至

if (once) {
  for (MSLiteThread thread : Threads) {
     System.out.println("created thread");
     thread = new MSLiteThread(pile);
     thread.start();
  }
once = false;
}

要，

public static class Map extends MapReduceBase implements
            Mapper<LongWritable, Text, Text, Text> {
    @Override
    public void configure(JobConf job) {
       for (MSLiteThread thread : Threads) {
         System.out.println("created thread");
         thread = new MSLiteThread(pile);
         thread.start();
       }
    }

    @Override
    public void map(LongWritable key, Text value,
       OutputCollector<Text, Text> output, Reporter reporter) {
    }

}

因此，这可以初始化一次，就此而言，不再需要'一次'条件检查。

此外，您不需要像上面那样制作空闲线程。我不知道你将创造16个空闲线程的性能提升多少。

无论如何，这是一个解决方案（虽然可能不完美）

你可以使用像countdownlatch Read more here这样的东西来批量处理N个或更多的网址并阻止它们完成。这是因为，如果您将每个传入的url记录释放到一个线程，则会立即获取下一个url，并且当你以相同的方式处理最后一个url时，即使你有剩余的线程，map（）函数也会返回在队列中进行处理。你将不可避免地得到你提到的例外。

这里有一个例子，说明你可以阻止使用倒计时器。

 public static class Map extends MapReduceBase implements
                Mapper<LongWritable, Text, Text, Text> {

            @Override
            public void map(LongWritable key, Text value,
                OutputCollector<Text, Text> output, Reporter reporter) {

                String url = value.toString();
                StringTokenizer urls = new StringTokenizer(url);
                Config.LoggerProvider = LoggerProvider.DISABLED;

            //setting countdownlatch to urls.countTokens() to block off that many threads.
            final CountDownLatch latch = new CountDownLatch(urls.countTokens());
            while (urls.hasMoreTokens()) {
                try {
                    word.set(urls.nextToken());
                    String currenturl = word.toString();
                    //create thread and fire for current URL here
                    thread = new URLProcessingThread(currentURL, latch);
                    thread.start();
                } catch (Exception e) {
                    e.printStackTrace();
                    continue;
                }

            }

          latch.await();//wait for 16 threads to complete execution
          //sleep here for sometime if you wish

        }

    }

最后，在处理URL时，在URLProcessingThread中减少锁存计数器

public class URLProcessingThread implments Runnable {
    CountDownLatch latch;
    URL url;
    public  URLProcessingThread(URL url,  CountDownLatch latch){
       this.latch = latch;
       this.url = url;
    }
    void run() {
         //process url here
         //after everything finishes decrement the latch
         latch.countDown();//reduce count of CountDownLatch by 1

    }
}

您的代码可能出现问题： 在pile.addUrl(currenturl, output);，当你添加一个新的url时，同时所有16个线程都将获得更新（我不是很确定），因为相同的桩对象被传递给16个线程。你的网址有可能被重新处理，或者你可能会得到一些其他的副作用（我不太确定）。

其他建议：

此外，您可能希望使用

增加地图任务超时

mapred.task.timeout

（默认= 600000ms）= 10分钟

描述：如果任务既不读取输入，也不写入输出，也不会更新任务将被终止的毫秒数它的状态字符串。

您可以在mapred-site.xml中添加/覆盖此属性

如何防止hadoop流关闭？

1 个答案: