在许多应用MapReduce的实际情况中，最终的算法最终会成为几个MapReduce步骤。
即。 Map1，Reduce1，Map2，Reduce2等。
因此，您可以获得下一个地图输入所需的最后一个减少的输出。
中间数据是您（通常）在管道成功完成后不想保留的内容。另外，因为这个中间数据通常是一些数据结构（比如'map'或'set'），所以你不想在编写和读取这些键值对时花费太多精力。
在Hadoop中推荐的方法是什么？
是否有（简单）示例显示如何以正确的方式处理此中间数据，包括之后的清理？
答案 0 :(得分：53)
我认为雅虎开发者网络上的这个教程将为您提供帮助：Chaining Jobs
您使用JobClient.runJob()。第一个作业的数据输出路径成为第二个作业的输入路径。这些需要作为参数传递给您的作业，并使用适当的代码来解析它们并设置作业的参数。
我认为上面的方法可能是现在较旧的mapred API的方式，但它应该仍然有效。新的mapreduce API中会有类似的方法，但我不确定它是什么。
在作业完成后删除中间数据，您可以在代码中执行此操作。我以前做过的方式是使用类似的东西：
FileSystem.delete(Path f, boolean recursive);
其中路径是数据的HDFS上的位置。一旦没有其他工作需要，您需要确保只删除此数据。
答案 1 :(得分：18)
有很多方法可以做到。
（1）级联职位
为第一个作业创建JobConf对象“job1”，并将所有参数设置为inputdirectory，将“temp”设置为输出目录。执行这项工作：
JobClient.run(job1).
紧接其下方，为第二个作业创建JobConf对象“job2”，并将所有参数设置为“temp”作为inputdirectory并将“output”设置为输出目录。执行这项工作：
JobClient.run(job2).
（2）创建两个JobConf对象并设置其中的所有参数，就像 （1） 一样，但不使用JobClient.run。
然后使用jobconfs作为参数创建两个Job对象：
Job job1=new Job(jobconf1);
Job job2=new Job(jobconf2);
使用jobControl对象，指定作业依赖关系，然后运行作业：
JobControl jbcntrl=new JobControl("jbcntrl");
jbcntrl.addJob(job1);
jbcntrl.addJob(job2);
job2.addDependingJob(job1);
jbcntrl.run();
（3）如果你需要一个有点像Map + |的结构减少| Map *，您可以使用随Hadoop版本0.19及更高版本附带的ChainMapper和ChainReducer类。
干杯
答案 2 :(得分：7)
实际上有很多方法可以做到这一点。我会专注于两个。
一个是通过Riffle（http://github.com/cwensel/riffle）一个注释库，用于识别依赖事物并以依赖（拓扑）顺序“执行”它们。
或者您可以在级联（http://www.cascading.org/）中使用Cascade（和MapReduceFlow）。未来版本将支持Riffle注释，但现在使用原始MR JobConf作业可以很好地工作。
这方面的一个变体是根本不手动管理MR作业，而是使用Cascading API开发应用程序。然后通过级联规划器和Flow类在内部处理JobConf和作业链。
通过这种方式，您可以将时间花在解决问题上，而不是用于管理Hadoop作业的机制等。您甚至可以将不同语言（如clojure或jruby）分层，以进一步简化开发和应用程序。 http://www.cascading.org/modules.html
答案 3 :(得分：6)
我已经一个接一个地使用JobConf对象完成了作业链接。我把WordCount示例用于链接作业。一项工作计算出一个单词在给定输出中重复多少次。第二个作业将第一个作业输出作为输入，并计算出给定输入中的总单词。下面是需要放在Driver类中的代码。
//First Job - Counts, how many times a word encountered in a given file
JobConf job1 = new JobConf(WordCount.class);
job1.setJobName("WordCount");
job1.setOutputKeyClass(Text.class);
job1.setOutputValueClass(IntWritable.class);
job1.setMapperClass(WordCountMapper.class);
job1.setCombinerClass(WordCountReducer.class);
job1.setReducerClass(WordCountReducer.class);
job1.setInputFormat(TextInputFormat.class);
job1.setOutputFormat(TextOutputFormat.class);
//Ensure that a folder with the "input_data" exists on HDFS and contains the input files
FileInputFormat.setInputPaths(job1, new Path("input_data"));
//"first_job_output" contains data that how many times a word occurred in the given file
//This will be the input to the second job. For second job, input data name should be
//"first_job_output".
FileOutputFormat.setOutputPath(job1, new Path("first_job_output"));
JobClient.runJob(job1);
//Second Job - Counts total number of words in a given file
JobConf job2 = new JobConf(TotalWords.class);
job2.setJobName("TotalWords");
job2.setOutputKeyClass(Text.class);
job2.setOutputValueClass(IntWritable.class);
job2.setMapperClass(TotalWordsMapper.class);
job2.setCombinerClass(TotalWordsReducer.class);
job2.setReducerClass(TotalWordsReducer.class);
job2.setInputFormat(TextInputFormat.class);
job2.setOutputFormat(TextOutputFormat.class);
//Path name for this job should match first job's output path name
FileInputFormat.setInputPaths(job2, new Path("first_job_output"));
//This will contain the final output. If you want to send this jobs output
//as input to third job, then third jobs input path name should be "second_job_output"
//In this way, jobs can be chained, sending output one to other as input and get the
//final output
FileOutputFormat.setOutputPath(job2, new Path("second_job_output"));
JobClient.runJob(job2);
运行这些作业的命令是：
bin / hadoop jar TotalWords。
我们需要为命令提供最终作业名称。在上面的例子中，它是TotalWords。
答案 4 :(得分：5)
您可以按照代码中给出的方式运行MR链。
请注意：仅提供了驱动程序代码
public class WordCountSorting {
// here the word keys shall be sorted
//let us write the wordcount logic first
public static void main(String[] args)throws IOException,InterruptedException,ClassNotFoundException {
//THE DRIVER CODE FOR MR CHAIN
Configuration conf1=new Configuration();
Job j1=Job.getInstance(conf1);
j1.setJarByClass(WordCountSorting.class);
j1.setMapperClass(MyMapper.class);
j1.setReducerClass(MyReducer.class);
j1.setMapOutputKeyClass(Text.class);
j1.setMapOutputValueClass(IntWritable.class);
j1.setOutputKeyClass(LongWritable.class);
j1.setOutputValueClass(Text.class);
Path outputPath=new Path("FirstMapper");
FileInputFormat.addInputPath(j1,new Path(args[0]));
FileOutputFormat.setOutputPath(j1,outputPath);
outputPath.getFileSystem(conf1).delete(outputPath);
j1.waitForCompletion(true);
Configuration conf2=new Configuration();
Job j2=Job.getInstance(conf2);
j2.setJarByClass(WordCountSorting.class);
j2.setMapperClass(MyMapper2.class);
j2.setNumReduceTasks(0);
j2.setOutputKeyClass(Text.class);
j2.setOutputValueClass(IntWritable.class);
Path outputPath1=new Path(args[1]);
FileInputFormat.addInputPath(j2, outputPath);
FileOutputFormat.setOutputPath(j2, outputPath1);
outputPath1.getFileSystem(conf2).delete(outputPath1, true);
System.exit(j2.waitForCompletion(true)?0:1);
}
}
序列是
（的 JOB1 ）MAP-＆GT; REDUCE-＆GT; （的 JOB2 ）MAP
这样做是为了对键进行排序，但有更多方法，例如使用树形图
然而，我想把注意力集中在乔布斯被锁链的方式上！
谢谢
答案 5 :(得分：4)
您可以使用oozie来处理MapReduce作业。 http://issues.apache.org/jira/browse/HADOOP-5303
答案 6 :(得分：3)
Apache Mahout项目中有一些示例将多个MapReduce作业链接在一起。其中一个例子可以在以下网址找到：
RecommenderJob.java
答案 7 :(得分：3)
我们可以使用Job的waitForCompletion(true)方法来定义作业之间的依赖关系。
在我的场景中，我有3个相互依赖的工作。在驱动程序类中，我使用了下面的代码，它按预期工作。
public static void main(String[] args) throws Exception {
// TODO Auto-generated method stub
CCJobExecution ccJobExecution = new CCJobExecution();
Job distanceTimeFraudJob = ccJobExecution.configureDistanceTimeFraud(new Configuration(),args[0], args[1]);
Job spendingFraudJob = ccJobExecution.configureSpendingFraud(new Configuration(),args[0], args[1]);
Job locationFraudJob = ccJobExecution.configureLocationFraud(new Configuration(),args[0], args[1]);
System.out.println("****************Started Executing distanceTimeFraudJob ================");
distanceTimeFraudJob.submit();
if(distanceTimeFraudJob.waitForCompletion(true))
{
System.out.println("=================Completed DistanceTimeFraudJob================= ");
System.out.println("=================Started Executing spendingFraudJob ================");
spendingFraudJob.submit();
if(spendingFraudJob.waitForCompletion(true))
{
System.out.println("=================Completed spendingFraudJob================= ");
System.out.println("=================Started locationFraudJob================= ");
locationFraudJob.submit();
if(locationFraudJob.waitForCompletion(true))
{
System.out.println("=================Completed locationFraudJob=================");
}
}
}
}
答案 8 :(得分：2)
新的类org.apache.hadoop.mapreduce.lib.chain.ChainMapper帮助这个场景
答案 9 :(得分：1)
虽然有复杂的基于服务器的Hadoop工作流引擎，例如oozie，但我有一个简单的java库，可以将多个Hadoop作业作为工作流执行。定义作业间依赖关系的作业配置和工作流在JSON文件中配置。一切都是外部可配置的，并且不需要对现有地图缩减实施进行任何更改即可成为工作流程的一部分。
详细信息可以在这里找到。源代码和jar可以在github中找到。
http://pkghosh.wordpress.com/2011/05/22/hadoop-orchestration/
普拉纳布
答案 10 :(得分：1)
我认为oozie帮助后续工作直接从上一份工作接收输入。这避免了使用jobcontrol执行的I / O操作。
答案 11 :(得分：1)
如果您想以编程方式链接作业，您将使用JobControl。用法非常简单：
JobControl jobControl = new JobControl(name);
之后添加ControlledJob实例。 ControlledJob使用它的依赖关系定义一个作业，从而自动插入输入和输出以适应作业的“链”。
jobControl.add(new ControlledJob(job, Arrays.asList(controlledjob1, controlledjob2));
jobControl.run();
启动链条。你会想把它放在一个特殊的线程中。这样可以检查链条的运行状态：
while (!jobControl.allFinished()) {
System.out.println("Jobs in waiting state: " + jobControl.getWaitingJobList().size());
System.out.println("Jobs in ready state: " + jobControl.getReadyJobsList().size());
System.out.println("Jobs in running state: " + jobControl.getRunningJobList().size());
List<ControlledJob> successfulJobList = jobControl.getSuccessfulJobList();
System.out.println("Jobs in success state: " + successfulJobList.size());
List<ControlledJob> failedJobList = jobControl.getFailedJobList();
System.out.println("Jobs in failed state: " + failedJobList.size());
}
答案 12 :(得分：0)
正如您在要求中提到的，您希望将MRJob1的o / p作为MRJob2的i / p等等，您可以考虑将oozie工作流用于此用例。您也可以考虑将中间数据写入HDFS，因为它将由下一个MRJob使用。作业完成后，您可以清理中间数据。
<start to="mr-action1"/>
<action name="mr-action1">
<!-- action for MRJob1-->
<!-- set output path = /tmp/intermediate/mr1-->
<ok to="end"/>
<error to="end"/>
</action>
<action name="mr-action2">
<!-- action for MRJob2-->
<!-- set input path = /tmp/intermediate/mr1-->
<ok to="end"/>
<error to="end"/>
</action>
<action name="success">
<!-- action for success-->
<ok to="end"/>
<error to="end"/>
</action>
<action name="fail">
<!-- action for fail-->
<ok to="end"/>
<error to="end"/>
</action>
<end name="end"/>
答案 13 :(得分：0)
新的答案，因为 JobClient.run() 的确认答案在新 API 中不起作用：
如果你有两个这样的工作：
Configuration conf1 = new Configuration();
Job job1 = Job.getInstance(conf1, "a");
Configuration conf2 = new Configuration();
Job job2 = Job.getInstance(conf2, "b");
那么您唯一应该做的就是在创建“job2”之前添加以下行：
job1.waitForCompletion(true);