大数据教程（10.7）Mapreduce的其余补充（计数器、多job串联、参数优化等）

    上一篇文章分析了自定义inputFormat（小文件合并）的实现，在此博主将继续Mapreduce的其余补充（计数器、多job串联、参数优化等）内容的分享。

    1、计数器应用

           在实际生产代码中，经常须要将数据处理过程当中遇到的不合规数据行进行全局计数，相似这种需求能够借助mapreduce框架中提供的全局计数器来实现。示例代码以下：

public class MultiOutputs {
	//经过枚举形式定义自定义计数器
	enum MyCounter{MALFORORMED,NORMAL}

	static class CommaMapper extends Mapper<LongWritable, Text, Text, LongWritable> {

		@Override
		protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {

			String[] words = value.toString().split(",");

			for (String word : words) {
				context.write(new Text(word), new LongWritable(1));
			}
			//对枚举定义的自定义计数器加1
			context.getCounter(MyCounter.MALFORORMED).increment(1);
			//经过动态设置自定义计数器加1
			context.getCounter("counterGroupa", "countera").increment(1);
		}

	}

    2、多job串联

           以前咱们分享的不少mr程序都是单个mapreduce程序来实现；然而，在实际生产中，一个稍复杂点的处理逻辑每每须要多个mapreduce程序串联处理，多job的串联能够借助mapreduce框架的JobControl实现。

           示例代码：

ControlledJob cJob1 = new ControlledJob(job1.getConfiguration());
 ControlledJob cJob2 = new ControlledJob(job2.getConfiguration());
 ControlledJob cJob3 = new ControlledJob(job3.getConfiguration());
       
 cJob1.setJob(job1);
 cJob2.setJob(job2);
 cJob3.setJob(job3);

 // 设置做业依赖关系
 cJob2.addDependingJob(cJob1);
 cJob3.addDependingJob(cJob2);
 
 JobControl jobControl = new JobControl("RecommendationJob");
 jobControl.addJob(cJob1);
 jobControl.addJob(cJob2);
 jobControl.addJob(cJob3);
 
 
 // 新建一个线程来运行已加入JobControl中的做业，开始进程并等待结束
 Thread jobControlThread = new Thread(jobControl);
 jobControlThread.start();
 while (!jobControl.allFinished()) {
       Thread.sleep(500);
 }
 jobControl.stop();
 
 return 0;

    3、mapreduce参数优化（MapReduce重要配置参数）

           资源相关参数：

//如下参数是在用户本身的mr应用程序中配置就能够生效
(1) mapreduce.map.memory.mb: 一个Map Task可以使用的资源上限（单位:MB），默认为1024。若是Map Task实际使用的资源量超过该值，则会被强制杀死。
(2) mapreduce.reduce.memory.mb: 一个Reduce Task可以使用的资源上限（单位:MB），默认为1024。若是Reduce Task实际使用的资源量超过该值，则会被强制杀死。
(3) mapreduce.map.java.opts: Map Task的JVM参数，你能够在此配置默认的java heap size等参数, e.g.
“-Xmx1024m -verbose:gc -Xloggc:/tmp/@taskid@.gc” （@taskid@会被Hadoop框架自动换为相应的taskid）, 默认值: “”
(4) mapreduce.reduce.java.opts: Reduce Task的JVM参数，你能够在此配置默认的java heap size等参数, e.g.
“-Xmx1024m -verbose:gc -Xloggc:/tmp/@taskid@.gc”, 默认值: “”
(5) mapreduce.map.cpu.vcores: 每一个Map task可以使用的最多cpu core数目, 默认值: 1
(6) mapreduce.reduce.cpu.vcores: 每一个Reduce task可以使用的最多cpu core数目, 默认值: 1

//应该在yarn启动以前就配置在服务器的配置文件中才能生效
(7) yarn.scheduler.minimum-allocation-mb	  1024   给应用程序container分配的最小内存
(8) yarn.scheduler.maximum-allocation-mb	  8192	给应用程序container分配的最大内存
(9) yarn.scheduler.minimum-allocation-vcores	1	
(10)yarn.scheduler.maximum-allocation-vcores	32
(11)yarn.nodemanager.resource.memory-mb   8192  

//shuffle性能优化的关键参数，应在yarn启动以前就配置好
(12)mapreduce.task.io.sort.mb   100         //shuffle的环形缓冲区大小，默认100m
mapreduce.map.sort.spill.percent   0.8    //环形缓冲区溢出的阈值，默认80%

          容错相关参数

(1) mapreduce.map.maxattempts: 每一个Map Task最大重试次数，一旦重试参数超过该值，则认为Map Task运行失败，默认值：4。
(2) mapreduce.reduce.maxattempts: 每一个Reduce Task最大重试次数，一旦重试参数超过该值，则认为Map Task运行失败，默认值：4。
(3) mapreduce.map.failures.maxpercent: 当失败的Map Task失败比例超过该值为，整个做业则失败，默认值为0. 若是你的应用程序容许丢弃部分输入数据，则该该值设为一个大于0的值，好比5，表示若是有低于5%的Map Task失败（若是一个Map Task重试次数超过mapreduce.map.maxattempts，则认为这个Map Task失败，其对应的输入数据将不会产生任何结果），整个做业扔认为成功。
(4) mapreduce.reduce.failures.maxpercent: 当失败的Reduce Task失败比例超过该值为，整个做业则失败，默认值为0.
(5) mapreduce.task.timeout: Task超时时间，常常须要设置的一个参数，该参数表达的意思为：若是一个task在必定时间内没有任何进入，即不会读取新的数据，也没有输出数据，则认为该task处于block状态，多是卡住了，也许永远会卡主，为了防止由于用户程序永远block住不退出，则强制设置了一个该超时时间（单位毫秒），默认是300000。若是你的程序对每条输入数据的处理时间过长（好比会访问数据库，经过网络拉取数据等），建议将该参数调大，该参数太小常出现的错误提示是“AttemptID:attempt_14267829456721_123456_m_000224_0 Timed out after 300 secsContainer killed by the ApplicationMaster.”。

          本地运行mapreduce 做业

设置如下几个参数:
mapreduce.framework.name=local
mapreduce.jobtracker.address=local
fs.defaultFS=local

          效率和稳定性相关参数

(1) mapreduce.map.speculative: 是否为Map Task打开推测执行机制，默认为false
(2) mapreduce.reduce.speculative: 是否为Reduce Task打开推测执行机制，默认为false
(3) mapreduce.job.user.classpath.first & mapreduce.task.classpath.user.precedence：当同一个class同时出如今用户jar包和hadoop jar中时，优先使用哪一个jar包中的class，默认为false，表示优先使用hadoop jar中的class。
(4) mapreduce.input.fileinputformat.split.minsize: FileInputFormat作切片时的最小切片大小，(5)mapreduce.input.fileinputformat.split.maxsize:  FileInputFormat作切片时的最大切片大小
(切片的默认大小就等于blocksize，即 134217728)

         最后寄语，以上是博主本次文章的所有内容，若是你们以为博主的文章还不错，请点赞；若是您对博主其它服务器大数据技术或者博主本人感兴趣，请关注博主博客，而且欢迎随时跟博主沟通交流。