Question

我是Map Reduce编程的新手，我已经在python中编写了算法，我需要运行＆＃39; n＆＃39;在＆＃39; n＆＃39;上映射相同程序的实例（我的算法）数据集。由于我的代码是在python中，我使用hadoopstreaming代码。

Hadoopstreaming文档在此建议 - http://hadoop.apache.org/docs/r1.2.1/streaming.html#How+do+I+process+files%2C+one+per+map%3F，＆＃34;生成包含输入文件的完整HDFS路径的文件。每个map任务都会得到一个文件名作为输入。＆＃34;

因此，我创建了一个文本文件，其中包含每个数据集文件的路径。为了测试，我已经写了一个字数统计程序 - http://www.michael-noll.com/tutorials/writing-an-hadoop-mapreduce-program-in-python/。在我的map函数中，我在执行实际字数之前已经编写了下面的代码

for line in sys.stdin:
    # obtain filename from file list
    filename = line.rstrip('\n')
    localfilename = ntpath.basename(filename)
    os.environ("hadoop dfs -get"+line+ " " + localfilename)

Q1。所以我的理解是每一行都将作为我的map函数的一个分割给出，因此split的数量应该是我主文件中split或line的数量。我的主文件中有三个文件名，但我可以看到创建了两个分割。为什么会这样？

Q2。我的工作失败了，我不知道为什么，在哪里查看这些日志文件？

Q3。除此之外，我有另一个选项处理我的要求，将我的三个数据集放入一个文件并用一些特定的分隔符分隔，然后可以设置此conf.set（“textinputformat.record.delimiter”，“specific-delimiter” “），但问题是它必须在java中完成。此外，在许多论坛中，编写自定义记录阅读器来实现此目的。因为我不擅长java，我在python中编写我的实现，无论如何设置这个参数还是不用编写java代码呢？

Q4。 hadoop中是否有其他选项可供我处理我的要求？

hduser@master:~/code$ hadoop jar /usr/local/hadoop-2.2.0/share/hadoop/tools/lib/hadoop-streaming-2.2.0.jar -mapper "python $PWD/fileprocess.py" -reducer "python $PWD/reduce.py" -input final.txt -output output.txt
14/09/16 05:27:23 WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
packageJobJar: [/home/hduser/tmp/hadoop-unjar4045267665479713934/] [] /tmp/streamjob4078572719514334736.jar tmpDir=null
14/09/16 05:27:26 INFO client.RMProxy: Connecting to ResourceManager at master/10.0.0.4:8032
14/09/16 05:27:26 INFO client.RMProxy: Connecting to ResourceManager at master/10.0.0.4:8032
14/09/16 05:27:31 INFO mapred.FileInputFormat: Total input paths to process : 1
14/09/16 05:27:31 INFO mapreduce.JobSubmitter: number of splits:2
14/09/16 05:27:31 INFO Configuration.deprecation: user.name is deprecated. Instead, use mapreduce.job.user.name
14/09/16 05:27:31 INFO Configuration.deprecation: mapred.jar is deprecated. Instead, use mapreduce.job.jar
14/09/16 05:27:31 INFO Configuration.deprecation: mapred.output.value.class is deprecated. Instead, use mapreduce.job.output.value.class
14/09/16 05:27:31 INFO Configuration.deprecation: mapred.mapoutput.value.class is deprecated. Instead, use mapreduce.map.output.value.class
14/09/16 05:27:31 INFO Configuration.deprecation: mapred.job.name is deprecated. Instead, use mapreduce.job.name
14/09/16 05:27:31 INFO Configuration.deprecation: mapred.input.dir is deprecated. Instead, use mapreduce.input.fileinputformat.inputdir
14/09/16 05:27:31 INFO Configuration.deprecation: mapred.output.dir is deprecated. Instead, use mapreduce.output.fileoutputformat.outputdir
14/09/16 05:27:31 INFO Configuration.deprecation: mapred.map.tasks is deprecated. Instead, use mapreduce.job.maps
14/09/16 05:27:31 INFO Configuration.deprecation: mapred.output.key.class is deprecated. Instead, use mapreduce.job.output.key.class
14/09/16 05:27:31 INFO Configuration.deprecation: mapred.mapoutput.key.class is deprecated. Instead, use mapreduce.map.output.key.class
14/09/16 05:27:31 INFO Configuration.deprecation: mapred.working.dir is deprecated. Instead, use mapreduce.job.working.dir
14/09/16 05:27:34 INFO mapreduce.JobSubmitter: Submitting tokens for job: job_1410171456875_0012
14/09/16 05:27:34 INFO impl.YarnClientImpl: Submitted application application_1410171456875_0012 to ResourceManager at master/10.0.0.4:8032
14/09/16 05:27:35 INFO mapreduce.Job: The url to track the job: http://master:8088/proxy/application_1410171456875_0012/
14/09/16 05:27:35 INFO mapreduce.Job: Running job: job_1410171456875_0012
14/09/16 05:27:51 INFO mapreduce.Job: Job job_1410171456875_0012 running in uber mode : false
14/09/16 05:27:51 INFO mapreduce.Job:  map 0% reduce 0%
14/09/16 05:28:11 INFO mapreduce.Job: Task Id : attempt_1410171456875_0012_m_000001_0, Status : FAILED
Error: java.lang.RuntimeException: PipeMapRed.waitOutputThreads(): subprocess failed with code 2
    at org.apache.hadoop.streaming.PipeMapRed.waitOutputThreads(PipeMapRed.java:320)
    at org.apache.hadoop.streaming.PipeMapRed.mapRedFinished(PipeMapRed.java:533)
    at org.apache.hadoop.streaming.PipeMapper.close(PipeMapper.java:130)
    at org.apache.hadoop.mapred.MapRunner.run(MapRunner.java:61)
    at org.apache.hadoop.streaming.PipeMapRunner.run(PipeMapRunner.java:34)
    at org.apache.hadoop.mapred.MapTask.runOldMapper(MapTask.java:429)
    at org.apache.hadoop.mapred.MapTask.run(MapTask.java:341)
    at org.apache.hadoop.mapred.YarnChild$2.run(YarnChild.java:162)
    at java.security.AccessController.doPrivileged(Native Method)
    at javax.security.auth.Subject.doAs(Subject.java:415)
    at org.apache.hadoop.security.UserGroupInformation.doAs(UserGroupInformation.java:1491)
    at org.apache.hadoop.mapred.YarnChild.main(YarnChild.java:157)

Answer 1

Q1： Hadoop会按照自己认为合适的方式拆分每个文件，并且无法保证哪些线路位于哪里。您需要将您的行放入单独的文件中，以确保它们由单独的映射器处理。

对于您的示例，如果您有三个文件名，而不是将它们全部放入单个/TEMP/files文件中，则应在子文件夹中创建三个文件，每个文件都有一个文件名，然后将它们添加到您的作业中，如下所示： -input /TEMP/files/*。这将为您提供您正在寻找的行为。

请注意，您无法获得数据的任何位置。获取第一个文件引用的映射器可能需要从另一个节点获取它。根据群集的大小，您可能更有可能必须转到正在处理的大多数文件的网络。

Q2：命令行输出只会告诉您java容器故障，而不是python的实际错误。为此，您应该转到职业跟踪页面：http://localhost:50030/jobtracker.jsp

从那里，您可以在失败的工作下找到您的工作。单击该页面上的失败任务，然后选择任务日志列中的一个选项。从那里你会看到你的python脚本的stderr输出。

你正在使用os.environ做一些奇怪的事情。您应该使用子进程来执行命令。例如：

from subprocess import call
call(["/usr/bin/hadoop", "dfs", "-get", line, localfilename])

问题3：我不确定这里的要求是什么。您是在谈论上面文件引用的实际文件，然后您将直接通过-get进入映射器？您正在手动处理它们，因此它们所处的格式并不重要，因为它们没有被传递到map / reduce。

问题4：看起来你有一些你想并行处理的文件，但你不需要使用map / reduce。你基本上只是想利用你有一堆cpu的hadoop集群这一事实。这很好并且可以工作，但你并没有真正使用hadoop来做除了将工作转移到奴隶以外的任何事情。

hadoop中的分割和映射任务数

1 个答案: