Hadoop中Map-Reduce如何配置、測試和調試

這篇文章將為大家詳細講解有關Hadoop中Map-Reduce如何配置、測試和調試，小編覺得挺實用的，因此分享給大家做個參考，希望大家閱讀完這篇文章后可以有所收獲。

Map-Reduce 之 配置,測試,調試

Evironvemnt:

cdh6.1

Configuration 

配置文件位置

使用cdh6.1，該文件位于

/etc/hadoop/conf， 其實/etc/hadoop下面有幾種目錄，比如conf.dist,conf.pseudo,conf.impala

文件列表

hadoop-env.sh，可以控制全局環境變量

core-site.xml,最重要的是參數fs.defaultFS

1.value = File:\\\home\, 這個是單機模式(single-node standalone),hadoop daemon運行在一個jvm進程。主要方便調試。

2.value = hdfs://localhost:8020,這個是偽分布式(Pseudo-distributes),就是每個daemon運行在單獨的jvm進程，但還是都在一臺主機上。主要用于學習測試調試等。

3.value = hdfs://host:8020, 集群模式.

hdfs-site.xml,最重要的是參數dfs.replication

除了集群模式是3,一般都設置為1.

dfs.namenode.replication.min = 1,塊復制的底線

mapred-site.xml,最重要的是參數mapred.job.tracker

也就是jobtracker運行在那一臺機器上。

yarn-site.xml,主要用來配置resourcemanager。

hadoop-metrics.properties,如果配置了Ambari,需要配置此文件，以便于發射監控指標給Ambari服務器。

log4j.properties

如果有多個配置文件加載，那么一般情況下，后加載的配置覆蓋相同的早加載的配置文件。為了防止不期望的覆蓋，配置文件中有final的關鍵字，它可以防止后面的覆蓋。

conf和jvm的配置， 我們可以把某些配置寫入jvm properties，如果這樣做，它是最高優先級的，比conf高。

hadoop jar -Ddfs.replication=1

Map-Reduce Sample

首先說主程序,MyWordCount繼承于Tool 和 Configured, Configured主要用來幫助Tool實現Configurable.

interface Tool extends Configurable

Configured extends Configurable

一般都會調用ToolRunner來運行程序，ToolRunner內部會調用GenericOptionsParser，所以你的程序可以添加參數的能力。

這里和hadoop1的不同在于org.apache.hadoop.mapreduce，我記得1.0，好像是mapred.

/**
 * write by jinbao
 */
package com.jinbao.hadoop.mapred.unittest;

import java.io.IOException;
import java.util.StringTokenizer;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;


/**
 * @author cloudera
 *
 */
public class MyWordCount  extends Configured implements Tool  {

	/**
	 * @param args
	 * @throws Exception 
	 */
	public static void main(String[] args) throws Exception {

		try {
			ToolRunner.run(new MyWordCount(), args);
		} catch (Exception e) {
			e.printStackTrace();
		}
	}

	@Override
	public int run(String[] args) throws Exception {
		if(args.length != 2){
			System.err.printf("usage: %s,  [generic options] <input> <output> \n",getClass().getSimpleName());
			ToolRunner.printGenericCommandUsage(System.err);
			return -1;
		}
		
		Configuration conf = new Configuration();
		Job job = Job.getInstance(conf,"word counting");
		
		job.setJarByClass(MyWordCount.class);
		job.setMapperClass(TokenizerMapper.class);
		job.setReducerClass(SumReducer.class);
		
		job.setOutputKeyClass(Text.class);
		job.setOutputValueClass(IntWritable.class);
		
		FileInputFormat.addInputPath(job, new Path(args[0]));
		FileOutputFormat.setOutputPath(job,new Path(args[1]));

		
		System.exit(job.waitForCompletion(true)?0:1);
		
		return 0;
	}
	/**
	 * @author cloudera
	 *
	 */
	public static class TokenizerMapper extends Mapper<Object,Text,Text,IntWritable> {
		private final static IntWritable one = new IntWritable(1);
		private Text word = new Text();
		
		public void map(Object key, Text value, Context context) throws IOException,InterruptedException {
			StringTokenizer itr = new StringTokenizer(value.toString());
			while ( itr.hasMoreTokens()){
				word.set(itr.nextToken());
				context.write(word, one);
			}
		}
	}
	
	public static class SumReducer extends Reducer<Text,IntWritable, Text, IntWritable>{
		private static IntWritable result = new IntWritable();
		public void reduce(Text key, Iterable<IntWritable> values,Context context) throws IOException, InterruptedException {
			int sum = 0;
			for (IntWritable val:values){
				sum += val.get();
			}
			
			result.set(sum);
			context.write(key, result);
		}
	}

}

MapReduce Web UI
MRv1: http://jobtracker-host:50030
MRv2: http://resourcemgr-host:8088/cluster
      application細節,可以到job history里邊去看。

單元測試-MRUnit

這是一個專門針對map-reduce單元測試的工具包

需要下載依賴

1. junit,這個eclipse已經自帶了，hadoop的lib下面也有。

2. mockito，這個下面的包里有。

3. powermock，下載連接here

4. MRUnit,去apache家找here。

下面上我的程序：

package com.jinbao.hadoop.mapred.unittest;

import java.io.IOException;
import java.util.ArrayList;
import java.util.Arrays;
import java.util.List;

import org.apache.hadoop.io.*;
import org.junit.Before;
import org.junit.Test;
import org.junit.runner.RunWith;
import org.powermock.core.classloader.annotations.PrepareForTest;
import org.apache.hadoop.mrunit.mapreduce.MapDriver;
import org.apache.hadoop.mrunit.mapreduce.MapReduceDriver;
import org.apache.hadoop.mrunit.mapreduce.ReduceDriver;
import org.apache.hadoop.mrunit.types.Pair;


public class MyWordCountTest {
	private MapDriver<Object, Text, Text, IntWritable> mapDriver;
	private ReduceDriver<Text, IntWritable, Text, IntWritable> reduceDriver;
	private MapReduceDriver<Object, Text, Text, IntWritable, Text, IntWritable> mapReduceDriver;

	@Before
	public void setUp() {
		MyWordCount.TokenizerMapper mapper = new MyWordCount.TokenizerMapper();
		MyWordCount.SumReducer reducer = new MyWordCount.SumReducer();

		mapDriver = MapDriver.newMapDriver(mapper);
		reduceDriver = ReduceDriver.newReduceDriver(reducer);
		mapReduceDriver = MapReduceDriver.newMapReduceDriver(mapper, reducer);
	}

	@Test
	public void testMapper() throws IOException {
		mapDriver.withInput(new LongWritable(), new Text("test input from unit test"));
		
		ArrayList<Pair<Text,IntWritable>> outputRecords = new ArrayList<Pair<Text,IntWritable>>();
		outputRecords.add( new Pair<Text,IntWritable>(new Text("test"),new IntWritable(1) ) );
		outputRecords.add( new Pair<Text,IntWritable>(new Text("input"),new IntWritable(1) ) );
		outputRecords.add( new Pair<Text,IntWritable>(new Text("from"),new IntWritable(1) ) );
		outputRecords.add( new Pair<Text,IntWritable>(new Text("unit"),new IntWritable(1) ) );
		outputRecords.add( new Pair<Text,IntWritable>(new Text("test"),new IntWritable(1) ) );
		
		mapDriver.withAllOutput(outputRecords);
		mapDriver.runTest();
	}

	@Test
	public void testReducer() throws IOException {
		reduceDriver.withInput(new Text("input"), new ArrayList<IntWritable>(Arrays.asList(new IntWritable(1), new IntWritable(3))) );
		reduceDriver.withOutput(new Text("input"), new IntWritable(4));
		reduceDriver.runTest();
	}
	
	@Test
	public void testMapperReducer() throws IOException {
		mapReduceDriver.withInput(new LongWritable(), new Text("test input input input input input test") );
		
		ArrayList<Pair<Text,IntWritable>> outputRecords = new ArrayList<Pair<Text,IntWritable>>();
		
		outputRecords.add( new Pair<Text,IntWritable>(new Text("input"),new IntWritable(5) ) );
		outputRecords.add( new Pair<Text,IntWritable>(new Text("test"),new IntWritable(2) ) );
		
		mapReduceDriver.withAllOutput(outputRecords);
		mapReduceDriver.runTest();
	}
}

Run MRUnit

上圖直接運行@Test方法就可以解決90%以上的問題,否則你的UnitTest覆蓋率太低,那么后期在cluster出問題,就debug成本比較高了.

Run Locally

Eclipse里邊配置Debug Configuration:
/home/cloudera/workspace/in /home/cloudera/workspace/out
注意:job runner運行的都是本地目錄,使用toolrunner默認是啟動一個standalone的jvm來運行hadoop,另外,只能有0或1個reduce.這個不是問題,只要非常方便的調試就可以了.

YARN里邊默認是mapreduce.framework.name必須設置為local，不過這都是默認的，不需要管它。

Run in Cluster

導出jar,我都是用eclipse來干，用ant，命令行等都可以，看喜好了。
如果你的jar包有依賴,那么也要把依賴包到處在某個lib里邊,并且minifest里邊配置main class是哪一個.這個package和war打包沒什么區別

%hadoop fs -copyFromLocal /home/cloudera/word.txt data/in
%hadoop jar wordcount.jar data/in data/out

IsolationRunner and Remote Debugger

前提：keep.failed.task.files，該選項默認為 false，表示對于失敗的task，其運行的臨時數據和目錄是不會被保存的。這是一個per job的配置，運行job的時候加上這個選項。
如何重跑： 
    當fail的task環境具備以后，就可以對單獨的task進行重跑了。重跑的方式為:
1. 上到task出錯的tasktracker機器 上
2. 在該tasktracker上找到fail的task運行時的目錄環境 1. 在 tasktracker中，對于每一個task都會有一個單獨的執行環境，其中包括其work目錄，其對應的中間文件，以及其運行時需要用到的配置文件等
2. 這些 目錄是由tasktracker的配置決定，配置選項為: mapred.local.dir. 該選項可能是一個逗號分隔的路徑list，每個 list都是tasktracker對在其上執行的task建立工作目錄的根目錄。比如如果mapred.local.dir=/disk1 /mapred/local,/disk2/mapred/local，那么task的執行環境就是mapred.local.dir /taskTracker/jobcache/job-ID/task-attempt-ID
3. 找到該task的執行工作目錄后，就可以進入到 該目錄下，然后其中就會有該task的運行環境，通常包括一個work目錄，一個job.xml文件，以及一個task要進行操作的數據文件(對map來 說是split.dta，對reduce來說是file.out)。
4. 找到環境以后，就可以重跑task了。 1. cd work
2. hadoop org.apache.hadoop.mapred.IsolationRunner ../job.xml
?   ? 這樣，IsolationRunner就會讀取job.xml的配置（這里的job.xml相當 于提交客戶端的hadoop-site.xml配置文件與命令行-D配置的接合），然后對該map或者reduce進行重新運行。
1. 到這里為止，已經實現了task單獨重跑，但是還是沒有解決對其進行單步斷點debug。這里利用到的其實是jvm的遠程 debug的功能。方式如下： 1. 在重跑task之前，export一個環境變 量：export HADOOP_OPTS="-agentlib:jdwp=transport=dt_socket,server=y,suspend=y,address=8888"
2. 這 樣，hadoop的指令就會通過8888端口將debug信息發送出去
3. 然后在自己本地的開發環境IDE中（比如 eclipse），launch一個遠程調試，并在代碼中打一個斷點，就可以對在tasktracker上運行的獨立map或者reduce task進行遠程單步調試了。
詳細可以去到這個blog看看。
http://blog.csdn.net/cwyspy/article/details/10004995

Note: 非常不幸，在最近的版本里面，IsolationRunner已經不能使用，所以在hadoop2里邊，需要找到失敗節點后，把問題文件拷貝出來，進行單機調試。

合并結果集

根據Reduce個數,可以會有多個part的結果集,那么可以使用下面命令來合并

% hadoop fs -getmerge max-temp max-temp-local

% sort max-temp-local | tail

Tuning a Job

1. Number of mappers

2. Number of reducers

3. Combiners

4. Intermediate compression

5. Custom serialization

6. Shuffle tweaks

MapReduce Workflows

In other words, as a rule of thumb, think about adding more jobs, rather than adding complexity to jobs.

ChainMapper and ChainReducer

It's a Map*/Reduce model, which means multiple mappers work as a chain, and after last mapper, output will go to reducer. this sounds reduced network IO.

Though called 'ChainReducer', actually only a Reducer working for ChainMapper, so gets the name.

Mapper1->Mapper2->MapperN->Reducer

JobControl

MR has a class JobControl, but as I test it's really not maintained well. 

Simply to use:

if(Run(job1)

   Run(job2)

Apache Oozie

Oozie是一種Java Web應用程序，它運行在Java servlet容器——即Tomcat——中，并使用數據庫來存儲以下內容：

• 工作流定義

• 當前運行的工作流實例，包括實例的狀態和變量

Oozie工作流是放置在控制依賴DAG（有向無環圖 Direct Acyclic Graph）中的一組動作（例如，Hadoop的Map/Reduce作業、Pig作業等），其中指定了動作執行的順序。我們會使用hPDL（一種XML流程定義語言）來描述這個圖。

hPDL是一種很簡潔的語言，只會使用少數流程控制和動作節點。控制節點會定義執行的流程，并包含工作流的起點和終點（start、end和fail節點）以及控制工作流執行路徑的機制（decision、fork和join節點）。動作節點是一些機制，通過它們工作流會觸發執行計算或者處理任務。Oozie為以下類型的動作提供支持： Hadoop map-reduce、Hadoop文件系統、Pig、Java和Oozie的子工作流（SSH動作已經從Oozie schema 0.2之后的版本中移除了）

關于“Hadoop中Map-Reduce如何配置、測試和調試”這篇文章就分享到這里了，希望以上內容可以對大家有一定的幫助，使各位可以學到更多知識，如果覺得文章不錯，請把它分享出去讓更多的人看到。