Question

问题：

我在C＃中为HDInsight创建MapReduce应用程序。我需要处理整个输入文件。

据我所知，Hadoop有两种方法可以实现这一目标：

从InputFormat类派生，并始终使isSplitable return false
将min_splitsize设置为足够大的值

我无法弄清楚如何在HDInsight上使用C＃实现任何这些选项。

详细信息：

我要么

使用Microsoft.Hadoop.MapReduce，并通过hadoop.MapReduceJob.ExecuteJob<MyJob>();
或者只需创建一个控制台应用程序并通过
从azure powershell启动它
$mrJobDef = New-AzureHDInsightStreamingMapReduceJobDefinition -JobName MyJob -StatusFolder $mrStatusOutput -Mapper $mrMapper -Reducer $mrReducer -InputPath $mrInput -OutputPath $mrOutput

$mrJobDef.Files.Add($mrMapperFile)

$mrJob = Start-AzureHDInsightJob -Cluster $clusterName -JobDefinition $mrJobDef

任何一种方式的解决方案都会有很大帮助。

Answer 1

您可以使用powershell

中的-Defines参数设置min_splitsize

$clusterName = "YourClusterName"
$jobConfig = @{ "min_splitsize"="512mb"; "mapred.output.compression.codec"="org.apache.hadoop.io.compress.GzipCodec" }
$myWordCountJob = New-AzureHDInsightMapReduceJobDefinition -JarFile "/example/jars/hadoop-examples.jar" -ClassName "wordcount" -jobName "WordCountJob" -StatusFolder "/MyMRJobs/WordCountJobStatus" -Defines $jobConfig

或在C＃中

    var mapReduceJob = new MapReduceJobCreateParameters() 
    {
          ClassName = "wordcount", // required
          JobName = "MyWordCountJob", //optional
          JarFile = "/example/jars/hadoop-examples.jar",  // Required, alternative syntax: wasb://hdijobs@azimasv2.blob.core.windows.net/example/jar/hadoop-examples.jar
          StatusFolder = "/AzimMRJobs/WordCountJobStatus" //Optional, but good to use to know where logs are uploaded in Azure Storage
    };

    mapReduceJob.Defines.Add("min_splitsize", "512mb");

虽然我不认为这可以保证每个文件都能完整读取。为此，您可能需要此处说明的Java SDK http://www.andrewsmoll.com/3-hacks-for-hadoop-and-hdinsight-clusters/

资源： http://blogs.msdn.com/b/bigdatasupport/archive/2014/02/13/how-to-pass-hadoop-configuration-values-for-a-job-via-hdinsight-powershell-and-net-sdk.aspx

使用C＃进行Mapreduce：处理整个输入文件

1 个答案: