MapReduce常见难题解答,10M文本限制难点

by admin on 2019年3月29日

原标题:通过不难瘦身,消除Dataworks 10M文件限制难题

摘要:大数据测算服务(马克斯Compute)的职能详解和平运动用体验

马克斯Compute(原ODPS) MapReduce常见难题解答,odpsmaxcompute分区

摘要:
用户在DataWorks上执行MapReduce作业的时候,文件大于10M的JA智跑和财富文件无法上传到Dataworks,导致无法使用调度去定期执行MapReduce作业。
化解方案: jar -resources test_mr.

点此查看原来的书文:http://click.aliyun.com/m/41384/

正文用到的

Ali云数加-大数据测算服务马克斯Compute产品地址:


用户在DataWorks上实施MapReduce作业的时候,文件大于10M的JAQX56和财富文件不可能上传到Dataworks,导致力不从心利用调度去定期执行MapReduce作业。

前言

1. 功课应运而生ClassNotFoundException和NoClassDefFoundError非常失利?

A:
对于ClassNotFoundException相当,一般是依靠的class不在你的jar包中,需求把正视的库打到作业jar包中只怕独立上传,并在-resources中钦定;
对于NoClassDefFoundError十分,先看看正视class是或不是留存于您的jar包,很多处境下是由于版本争持导致的,只怕您依靠的库和服务端自带的jar有争论。


缓解方案:

MapReduce已经有文档,用户能够参照文书档案使用。本文是在文书档案的底子上做一些看似注明及细节解释上的工作。

2. M普拉多提交命令中-resources和-classpath的知道?

A:
在马克斯Compute中类似MCRUISER那类分布式数据处理框架,用户的代码一般在偏下两个地方执行:

  • 运维客户端的进程/子进程:那里的用户代码负责准备实施环境、配置职责参数、提交职务,入口平常是main
    class。它不受沙箱限制,执行逻辑由用户代码驱动。同样的,那里的classpath由用户配置,或在console中应用-classpath选项添加重视的classpath路径。
  • 远程执行的worker进度:这里的代码负责执行多少处理逻辑,入口是mapper/reducer
    class。它受限沙箱限制,且执行逻辑由马克斯Compute框架驱动。用户在命令行配置的-classpath在那里不算(显著,远程机器的路线和客户端机器的路线不也许担保平等),任何第一方注重必须作为resource提前上传至马克斯Compute,并在付给职分时行使-resources选项或JobConf.setResources(String[])来设定。

首先步:大于10M的resources通过马克斯Compute CLI客户端上传,

成效介绍

3. Mapper数目怎么着设置?

A:假如没有输入表是能够一向内定map数目setNumMapTasks
   
有输入表的话,setNumMapTasks不见效,供给经过setSplitSize来控制map数,默认是256M。


客户端下载地址:

MapReduce

4. Reducer数目如何设置?

A: 通过JobConf的接口setNumReduceTasks可以安装。
对此pipeline作业,Jobconf的接口同样能够安装,只可是设置后具有reduce阶段的个数都以千篇一律的值。
设若要分等级设置,设置方法如下:
Pipeline pipeline = Pipeline.builder()
.addMapper(TokenizerMapper.class)

.addReducer(SumReducer.class).setNumTasks(5)

.addReducer(IdentityReducer.class).setNumTasks(1).createPipeline();


客户端配置AK、EndPoint:

图片 1

5. 报错java.lang.OutOfMemoryError: Java heap space,M卡宴的内部存款和储蓄器设置难点?

A:mapper或reducer的内部存款和储蓄器由两部分构成,JVM的heap memory和JVM
之外的框架相关内部存款和储蓄器。
   
设置JVM内存的接口是(都以Java逻辑的话,调节内部存款和储蓄器是用下边四个接口):
    setMemoryForMapperJVMsetMemoryForReducerJVM (默认是1024
单位MB)
    设置框架内部存款和储蓄器(c++部分的)的接口是(一般不要求设置):
    setMemoryForMapTasksetMemoryForReduceTask(默认是2048 单位MB)


add jar C:\test_mr\test_mr.jar -f;//添加财富

说起MapReduce就少不了WordCount,作者特别喜爱文书档案里的这些图形。

6. mr 输出到表或有些分区里时,输出的方式时扩张照旧覆盖 ?

A: 会覆盖输出表或分区在此之前的始末


第3步:近年来通过马克斯Compute
CLI上传的能源,在Dataworks左边能源列表是找不到的,只可以通过list
resources查看确认财富;

譬如有一张非常的大的表。表里有个String字段记录的是用空格分割开单词。最后索要计算全体记录中,各种单词出现的次数是不怎么。那完全的盘算流程是

7. 二回排序功能,MCRUISER相关陈设解释,setMapOutputKeySchema? setOutputKeySortColumns? setPartitionColumns? setOutputGroupingColumns?

A:
平日状态下,GroupingColumns蕴含在KeySortColumns中,KeySortColumns和PartitionColumns要包罗在Key
schema中。

  • 在Map端,Mapper输出的Record会依照设置的PartitionColumns总结哈希值,决定分配到哪些Reducer,会依照KeySortColumns对Record进行排序。
  • 在Reduce端,输入Records在依照KeySortColumns排序好后,会依照GroupingColumns钦点的列对输入的Records举行分组,即会挨个遍历输入的Records,把GroupingColumns所钦点列相同的Records作为二回reduce函数调用的输入。

list resources;//查看财富

输入阶段:依据工作量,生成多少个Mapper,把这个表的数码分配给那个Mapper。每一种Mapper分配到表里的一局地记录。

8. 请问mr job的map也许reduce要是想提前结束job, 执行什么样代码?

A:
抛相当就足以,例如throw new RuntimeException("XXX"); 会导致job退步,job也就终止了。


其三步:瘦身Jar,因为Dataworks执行M昂Cora作业的时候,一定要当地执行,所以保留个main就能够;

Map阶段:各类Mapper针对每条数据,解析当中的字符串,用空格切开字符串,得到一组单词。针对内部每种单词,写一条记下

9. 请问map阶段有时候为啥会有interrupted,但是map 最后照旧达成了?

A:因为有backup instance在跑,产生backup instance一般是因为有一些map
instances显明慢于其余的,就会在别的机器上运维三个等同的worker来跑,这些效应看似于hadoop的测度执行,只要其中某些成功跑完,其余的就足以停掉了(变为interrupted)


图片 2

Shuffle阶段-合并排序:也是产生在Mapper上。会先对数码实行排序。比如WordCount的例证,会遵照单词进行排序。排序后的汇合,又称Combiner阶段,因为后边已经依据单词排序过了,相同的单词都是连在一起的。那能够把三个相邻的合并成二个。Combiner能够削减在持续Reduce端的总结量,也得以减掉Mapper往Reducer的数据传输的工作量。

10. mr怎么样取得输入表的音讯?

A:
参考:
使用Mapper.TaskContext的接口getInputTableInfo(),会收获输入表的TableInfo对象
种种map
worker只会处理来自单一表或分区的数目,在mapper的setup阶段获得该新闻即可。


通过上述办法,大家得以在Dataworks上跑大于10M的MKuga作业。

Shuffle阶段-分配Reducer:把Mapper输出的单词分发给Reducer。Reducer获得数量后,再做2遍排序。因为Reducer获得的多寡已经在Mapper里已经是排序过的了,所以那边的排序只是针对排序过的数量做统一排序。

11. 什么行使自定义partitioner ?

A: 参考如下代码:

import com.aliyun.odps.mapred.Partitioner;

...

public static class MyPartitioner extends Partitioner {

@Override
public int getPartition(Record key, Record value, int numPartitions) {
  // numPartitions即对应reducer的个数
  // 通过该函数决定map输出的key value去往哪个reducer
  String k = key.get(0).toString();
  return k.length() % numPartitions;
}
}

在jobconf里展开安装:jobconf.setPartitionerClass(MyPartitioner.class)
其它部须要要在jobconf里显然钦点reducer的个数:jobconf.setNumReduceTasks(num)


作者:隐林

Reduce阶段:Reducer拿后边已经排序好的输入,相同的单词的兼具输入进去同一个Redue循环,在循环里,做个数的增加。

12. 如何设置Key排连串的相继(ASC or DESC)?

A: 类似如下: 
//key按这么些列排序
job.setOutputKeySortColumns(new String[] { "custid", "msgtype","amount" });
//设置每种列正序依旧倒序
job.setOutputKeySortOrder(new SortOrder[]{SortOrder.ASC,SortOrder.ASC,SortOrder.DESC});


​本文为云栖社区原创内容,未经同意不得转载。归来腾讯网,查看更多

输出阶段:输出Reduce的测算结果,写入到表里可能重回给客户端。

13. 报错kInstanceMonitorTimeout, usually caused by bad udf performance,怎么消除?

A:
报这几个错的由来是mapper恐怕reducer有逻辑执行时间专门长,且从未从输入表的读数据或然写出多少,超越暗中同意10min后,会报那一个可怜;有三种缓解形式:

  • 将过期的日子调的更长一些,能够设置参数odps.function.timeout可能设置JobConf#setFunctionTimeout,最长能够设置为3600,即多个钟头。
  • 限期向框架汇报心跳 TaskContext#progress(),注意progress不要调用过于频仍,不然有总体性难题,能担保四次调用之间的光阴低于设置的timeout时间即可。

主要编辑:

拓展MapReduce

14. 框架map或许reduce接口里的Record对象是复用的?

A:是的,为了减小对象的开发,框架对于map,
reduce接口里的Record对象是复用的,也正是说每回map也许reduce的每便迭代,Record对象没有变,只是在那之中的数目变化了。假设要保存上贰遍的Record要求toArray()得到内部的数据对象实行封存。具体能够参考:


要是Reduce前面还要求做越来越的Reduce总计,能够用拓展MapReduce模型(简称MTiggo本田UR-V)。MSportage奥德赛其实正是Reduce阶段停止后,不直接出口结果,而是再一次通过Shuffle后接此外三个Reduce。

15. 写完一条记下后,想把outputRecord里面包车型客车数据清空,这么些要怎么弄,要不然,再写下一条记下的时候,借使某些字段没有值,就会用原来的笔录填充?

   
A:假若写的Record对象是复用的,要是有些值没有新set,则照旧保留着前面包车型客车值对象。方今一贯不一向可以清空的api可以用,能够透过Record.getColumnCount获得column
count,用三个for 循环去一一set null即可。


Q:怎么样实现M->本田CR-V->M->奥迪Q5那种逻辑吗

16. MRubicon匡助多路输入输出,应该怎么写这么的次第?

    A:参考:多路输入输出示例
对于多路输入,每一个输入源对应单独的贰个Map阶段,即贰个map
task只会读取三个输入表的数据。能够钦赐八个表的多元分区列来作为1个输入,例如a,
b, c三分区列,钦赐分区时得以内定a=1/b=1/c=2类似那样。
   
假若相同级其他四个分区,则须要各自作为单身的分区输入,例如三个表的a=1和a=3分区作为多路输入的俩不一的输入,须求各自内定。
    maponly的功课也如出一辙扶助多路输入输出,达成方式类似。


A:在Reduce代码里一向嵌套上Map的逻辑就能够了,把第四个M的工作在前三个大切诺基里落成,而不是作为计量引擎调度范围上的三个独自步骤,比如

17. sdk怎样通过instance获取logview url?

A: 能够使用如下的办法获得logview的url

RunningJob rj = JobClient.runJob(job);
com.aliyun.odps.Instance instance = SessionState.get().getOdps().instances().get(rj.getInstanceID());
String logview = SessionState.get().getOdps().logview().generateLogView(instance, 7 * 24);
System.out.println(logview);

reduce(){

18.  MGL450作业怎样钦赐输入表的Project名字?

A: 能够按如下的措施钦赐:

InputUtils.addTable(TableInfo.builder().projectName("test_project_name").tableName("test_table_name").build(), job);

通过TableInfo.builder()projectName接口来内定,假如不点名,暗中认可值是在运转M大切诺基作业的非常project.


    …

19. 不等的Mapper也许Reducer怎么样获得可分别的ID?

A:
某个业务场景供给区分区别的Mapper或Reducer,能够因而TaskContextgetTaskID接口获取到二个Mapper/Reducer独有的id。

String id = context.getTaskID().toString();

    map();

20. M途乐代码里有JNI的调用该怎么写?

A:首先project要开通jni的相关权限,在编写翻译准备好so文件后,供给将so以file类型的情势丰裕为Resource,并在M安德拉作业提交的时候-resources参数里钦赐,例如:

add file libtestjni.so as libtestjni.so -f;
jar -resources testmr.jar,libtestjni.so -classpath testmr.jar Test.MRDriver xxx xxx;

在M瑞鹰的java代码应用jni的时候要留意,使用情势如下:

System.loadLibrary("testjni");    // 这里不要写成libtestjni.so,否则会报错,原因是java会自动添加lib前缀和.so后缀的

jni的使用办法能够参考:


}

21. MLacrosse作业读取表财富,Archive能源应该怎么操作?

A: 马克斯Compute上的财富(file, table,
archive等)可以类比于Hadoop的DistributedCache来驾驭,同样是会散发到各样计算节点上去,worker再从地面来读取,因此能源文件无法过大,不然分发财富正是二个瓶颈,近期暗许有2G的总财富大小限制。
读取能源表,Archive财富总体上的话和读取file类型财富是近似的,只是利用的接口区别。读取能源文件的不二法门能够参见文档:使用财富示例

对于表财富:
将表添加为财富表: add table xxx as xxx -f;
读能源表的接口为:TaskContext#readResourceTable

对于Archive资源:
将地面archive(.tar, .zip等archive文件)上传为财富: add archive as xxx
-f;
读archive能源的接口为:TaskContext#readResourceArchiveAsStream


…不断更新中…

MapReduce常见难点解答,odpsmaxcompute分区 本文用到的
Ali云数加-大数据测算服务马克斯Compute产品地址:…

很快开始

运维条件

工欲善其事,必先利其器。MR的开支提供了基于IDEA和Eclipse的插件。当中比较推荐用IDEA的插件,因为IDEA大家还在不断做迭代,而Eclipse已经终止做革新了。而且IDEA的功用也相比丰盛。

现实的插件的设置情势步骤能够参考文档,本文不在赘言。

其余后续还须要用到客户端,能够参照文档安装。

继续为了尤其清楚地证实难点,笔者会尽量地在客户端上操作,而不用IDEA里早已合龙的法门。

线上运转

以WordCount为例,文档能够参照这里

步骤为

做多少准备,包罗创制表和应用Tunnel命令行工具导入数据

将代码拷贝到IDE里,编写翻译打包成mapreduce-examples.jar

在odpscmd里执行add jar命令:

add jar /JarPath/mapreduce-examples.jar -f;

发表评论

电子邮件地址不会被公开。 必填项已用*标注

网站地图xml地图