这篇文章将为大家详细讲解有关 Hadoop 中 Map-Reduce 如何配置、测试和调试，丸趣 TV 小编觉得挺实用的，因此分享给大家做个参考，希望大家阅读完这篇文章后可以有所收获。
Map-Reduce 之 配置, 测试, 调试
Evironvemnt:
cdh6.1
Configuration 配置文件位置
使用 cdh6.1，该文件位于
/etc/hadoop/conf，其实 /etc/hadoop 下面有几种目录，比如 conf.dist,conf.pseudo,conf.impala
文件列表
hadoop-env.sh，可以控制全局环境变量
core-site.xml, 最重要的是参数 fs.defaultFS
1.value = File:\\\home\, 这个是单机模式 (single-node standalone),hadoop daemon 运行在一个 jvm 进程。主要方便调试。
2.value = hdfs://localhost:8020, 这个是伪分布式 (Pseudo-distributes), 就是每个 daemon 运行在单独的 jvm 进程，但还是都在一台主机上。主要用于学习测试调试等。
3.value = hdfs://host:8020, 集群模式.
hdfs-site.xml, 最重要的是参数 dfs.replication
除了集群模式是 3, 一般都设置为 1.
dfs.namenode.replication.min = 1, 块复制的底线
mapred-site.xml, 最重要的是参数 mapred.job.tracker
也就是 jobtracker 运行在那一台机器上。
yarn-site.xml, 主要用来配置 resourcemanager。
hadoop-metrics.properties, 如果配置了 Ambari, 需要配置此文件，以便于发射监控指标给 Ambari 服务器。
log4j.properties
如果有多个配置文件加载，那么一般情况下，后加载的配置覆盖相同的早加载的配置文件。为了防止不期望的覆盖，配置文件中有 final 的关键字，它可以防止后面的覆盖。
conf 和 jvm 的配置，我们可以把某些配置写入 jvm properties，如果这样做，它是最高优先级的，比 conf 高。
hadoop jar -Ddfs.replication=1
Map-Reduce Sample
首先说主程序,MyWordCount 继承于 Tool 和 Configured, Configured 主要用来帮助 Tool 实现 Configurable.
interface Tool extends Configurable
Configured extends Configurable
一般都会调用 ToolRunner 来运行程序，ToolRunner 内部会调用 GenericOptionsParser，所以你的程序可以添加参数的能力。
这里和 hadoop1 的不同在于 org.apache.hadoop.mapreduce，我记得 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;
*/
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]));
*/
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 细节, 可以到 job history 里边去看。
单元测试 -MRUnit
这是一个专门针对 map-reduce 单元测试的工具包
需要下载依赖
1. junit, 这个 eclipse 已经自带了，hadoop 的 lib 下面也有。
2. mockito，这个下面的包里有。
3. powermock，下载连接 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
上图直接运行 @Test 方法就可以解决 90% 以上的问题, 否则你的 UnitTest 覆盖率太低, 那么后期在 cluster 出问题, 就 debug 成本比较高了.
Run Locally
Eclipse 里边配置 Debug Configuration:
/home/cloudera/workspace/in /home/cloudera/workspace/out
注意:job runner 运行的都是本地目录, 使用 toolrunner 默认是启动一个 standalone 的 jvm 来运行 hadoop, 另外, 只能有 0 或 1 个 reduce. 这个不是问题, 只要非常方便的调试就可以了.
YARN 里边默认是 mapreduce.framework.name 必须设置为 local，不过这都是默认的，不需要管它。
Run in Cluster
导出 jar, 我都是用 eclipse 来干，用 ant，命令行等都可以，看喜好了。
如果你的 jar 包有依赖, 那么也要把依赖包到处在某个 lib 里边, 并且 minifest 里边配置 main class 是哪一个. 这个 package 和 war 打包没什么区别
%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，该选项默认为 false，表示对于失败的 task，其运行的临时数据和目录是不会被保存的。这是一个 per job 的配置，运行 job 的时候加上这个选项。如何重跑：
当 fail 的 task 环境具备以后，就可以对单独的 task 进行重跑了。重跑的方式为:
1. 上到 task 出错的 tasktracker 机器 上
2. 在该 tasktracker 上找到 fail 的 task 运行时的目录环境 1. 在 tasktracker 中，对于每一个 task 都会有一个单独的执行环境，其中包括其 work 目录，其对应的中间文件，以及其运行时需要用到的配置文件等
2. 这些 目录是由 tasktracker 的配置决定，配置选项为: mapred.local.dir. 该选项可能是一个逗号分隔的路径 list，每个 list 都是 tasktracker 对在其上执行的 task 建立工作目录的根目录。比如如果 mapred.local.dir=/disk1 /mapred/local,/disk2/mapred/local，那么 task 的执行环境就是 mapred.local.dir /taskTracker/jobcache/job-ID/task-attempt-ID
3. 找到该 task 的执行工作目录后，就可以进入到 该目录下，然后其中就会有该 task 的运行环境，通常包括一个 work 目录，一个 job.xml 文件，以及一个 task 要进行操作的数据文件 (对 map 来 说是 split.dta，对 reduce 来说是 file.out)。4. 找到环境以后，就可以重跑 task 了。 1. cd work
2. hadoop org.apache.hadoop.mapred.IsolationRunner ../job.xml
• ◦ 这样，IsolationRunner 就会读取 job.xml 的配置（这里的 job.xml 相当 于提交客户端的 hadoop-site.xml 配置文件与命令行 - D 配置的接合），然后对该 map 或者 reduce 进行重新运行。1. 到这里为止，已经实现了 task 单独重跑，但是还是没有解决对其进行单步断点 debug。这里利用到的其实是 jvm 的远程 debug 的功能。方式如下： 1. 在重跑 task 之前，export 一个环境变 量：export HADOOP_OPTS= -agentlib:jdwp=transport=dt_socket,server=y,suspend=y,address=8888
2. 这 样，hadoop 的指令就会通过 8888 端口将 debug 信息发送出去
3. 然后在自己本地的开发环境 IDE 中（比如 eclipse），launch 一个远程调试，并在代码中打一个断点，就可以对在 tasktracker 上运行的独立 map 或者 reduce task 进行远程单步调试了。详细可以去到这个 blog 看看。http://blog.csdn.net/cwyspy/article/details/10004995Note: 非常不幸，在最近的版本里面，IsolationRunner 已经不能使用，所以在 hadoop2 里边，需要找到失败节点后，把问题文件拷贝出来，进行单机调试。
合并结果集
根据 Reduce 个数, 可以会有多个 part 的结果集, 那么可以使用下面命令来合并
% hadoop fs -getmerge max-temp max-temp-local
% sort max-temp-local | tail
Tuning a Job
Number of mappers
Number of reducers
Combiners
Intermediate compression
Custom serialization
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 是一种 Java Web 应用程序，它运行在 Java servlet 容器——即 Tomcat——中，并使用数据库来存储以下内容：
工作流定义
当前运行的工作流实例，包括实例的状态和变量
Oozie 工作流是放置在控制依赖 DAG（有向无环图 Direct Acyclic Graph）中的一组动作（例如，Hadoop 的 Map/Reduce 作业、Pig 作业等），其中指定了动作执行的顺序。我们会使用 hPDL（一种 XML 流程定义语言）来描述这个图。
hPDL 是一种很简洁的语言，只会使用少数流程控制和动作节点。控制节点会定义执行的流程，并包含工作流的起点和终点（start、end 和 fail 节点）以及控制工作流执行路径的机制（decision、fork 和 join 节点）。动作节点是一些机制，通过它们工作流会触发执行计算或者处理任务。Oozie 为以下类型的动作提供支持：Hadoop map-reduce、Hadoop 文件系统、Pig、Java 和 Oozie 的子工作流（SSH 动作已经从 Oozie schema 0.2 之后的版本中移除了）
关于“Hadoop 中 Map-Reduce 如何配置、测试和调试”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，使各位可以学到更多知识，如果觉得文章不错，请把它分享出去让更多的人看到。
六了个六
6666