Question

希望你能帮助我。我对hadoop map-reduce有一个令人头疼的问题。我一直在map-reduce上成功使用“-files”选项，使用hadoop版本1.0.3。但是，当我使用“-archives”选项时，它会复制文件，但不会解压缩它们。我错过了什么？文档说“Archives (zip, tar and tgz/tar.gz files) are un-archived at the slave nodes"，但那不是我所看到的。

我创建了3个文件 - 一个文本文件“alice.txt”，一个zip文件“bob.zip”（包含b1.txt和bdir / b2.txt），以及一个tar文件“claire.tar”（包含c1.txt和cdir / c2.txt）。然后我通过

调用hadoop作业

hadoop jar myJar myClass -files ./etc/alice.txt -archives ./etc/bob.zip,./etc/claire.tar <input_path> <output_path>

文件确实存在并且格式正确：

% ls -l etc/alice.txt etc/bob.zip etc/claire.tar
-rw-rw-r-- 1 hadoop hadoop     6 Aug 20 18:44 etc/alice.txt
-rw-rw-r-- 1 hadoop hadoop   282 Aug 20 18:44 etc/bob.zip
-rw-rw-r-- 1 hadoop hadoop 10240 Aug 20 18:44 etc/claire.tar
% tar tf etc/claire.tar
c1.txt
cdir/c2.txt

然后我用mapper测试是否存在相关文件，就像这样，'lineNumber'是传递给映射器的密钥：

String key = Long.toString(lineNumber.get());
String [] files = {
    "alice.txt",
    "bob.zip",
    "claire.tar",
    "bdir",
    "cdir",
    "b1.txt",
    "b2.txt",
    "bdir/b2.txt",
    "c1.txt",
    "c2.txt",
    "cdir/c2.txt"
};
String fName = files[ (int) (lineNumber.get() % files.length)];
String val = codeFile(fName);
output.collect(new Text(key), new Text(val));

支持例程'codeFile'是：

private String codeFile(String fName) {
    Vector<String> clauses = new Vector<String>();
    clauses.add(fName);
    File f = new File(fName);

    if (!f.exists()) {
        clauses.add("nonexistent");
    } else {
        if (f.canRead()) clauses.add("readable");
        if (f.canWrite()) clauses.add("writable");
        if (f.canExecute()) clauses.add("executable");
        if (f.isDirectory()) clauses.add("dir");
        if (f.isFile()) clauses.add("file");
    }
    return Joiner.on(',').join(clauses);
}

使用Guava'Joiner'课程。 mapper的输出值如下所示：

alice.txt,readable,writable,executable,file
bob.zip,readable,writable,executable,dir
claire.tar,readable,writable,executable,dir
bdir,nonexistent
b1.txt,nonexistent
b2.txt,nonexistent
bdir/b2.txt,nonexistent
cdir,nonexistent
c1.txt,nonexistent
c2.txt,nonexistent
cdir/c2.txt,nonexistent

所以你看到了问题 - 存档文件在那里，但它们没有被解压缩。我错过了什么？我也尝试使用DistributedCache.addCacheArchive（）而不是使用-archives，但问题仍然存在。

Answer 1

分布式缓存不会将存档文件解压缩到任务的本地工作目录 - 每个任务跟踪器上都有一个位置作为整体作业，并在那里解压缩。

您需要检查DistributedCache以找到此位置并在那里查找文件。 DistributedCache的Javadocs显示了一个示例映射器，用于提取此信息。

在定义-files和-archives通用选项时可以使用符号链接，并且将在map / reduce任务的本地工作目录中创建符号链接，使这更容易：

hadoop jar myJar myClass -files ./etc/alice.txt#file1.txt \
    -archives ./etc/bob.zip#bob,./etc/claire.tar#claire

然后，当您尝试打开存档中的文件时，您可以在映射器中使用片段名称：

new File("bob").isDirectory() == true

hadoop map reduce -archives不解压缩档案

1 个答案: