在许多应用MapReduce的实际情况中,最终的算法最终会成为几个MapReduce步骤 .
即Map1,Reduce1,Map2,Reduce2等 .
因此,您可以将最后一次减少的输出作为下一个 Map 的输入 .
管道成功完成后,您(通常)不希望保留中间数据 . 另外,因为这个中间数据通常是一些数据结构(如'map'或'set'),所以你不想在编写和读取这些键值对时花费太多精力 .
在Hadoop中推荐的方法是什么?
是否有(简单)示例显示如何以正确的方式处理此中间数据,包括之后的清理?
13 回答
我认为雅虎开发者网络上的这个教程将帮助你解决这个问题:Chaining Jobs
您使用
JobClient.runJob()
. 第一个作业的数据输出路径成为第二个作业的输入路径 . 这些需要作为参数传递给您的作业,并使用适当的代码来解析它们并设置作业的参数 .我认为上面的方法可能是现在较旧的mapred API的方式,但它应该仍然有用 . 新的mapreduce API中会有类似的方法,但我不确定它是什么 .
至于在作业完成后删除中间数据,您可以在代码中执行此操作 . 我以前做过的方式是使用类似的东西:
其中路径是数据的HDFS上的位置 . 一旦没有其他工作需要,您需要确保只删除此数据 .
有很多方法可以做到 .
(1) 级联工作
为第一个作业创建JobConf对象“job1”,并将所有参数设置为inputdirectory,将“temp”设置为输出目录 . 执行这项工作:
紧接其下方,为第二个作业创建JobConf对象“job2”,并将所有参数设置为“temp”作为inputdirectory并将“output”设置为输出目录 . 执行这项工作:
(2) 创建两个JobConf对象并将其中的所有参数设置为 (1) ,但不使用JobClient.run .
然后使用jobconfs作为参数创建两个Job对象:
使用jobControl对象,指定作业依赖关系,然后运行作业:
(3) 如果你需要一个有点像Map |的结构减少| Map *,您可以使用随Hadoop版本0.19及更高版本附带的ChainMapper和ChainReducer类 .
干杯
实际上有很多方法可以做到这一点 . 我会专注于两个 .
一个是通过Riffle(http://github.com/cwensel/riffle)一个注释库,用于识别依赖事物和'executing'依赖(拓扑)顺序 .
或者您可以在级联(http://www.cascading.org/)中使用级联(和MapReduceFlow) . 未来版本将支持Riffle注释,但现在使用原始MR JobConf作业可以很好地工作 .
这方面的一个变体是根本不用手工管理MR作业,而是使用Cascading API开发应用程序 . 然后通过Cascading planner和Flow类在内部处理JobConf和作业链 .
这样你就可以花时间专注于你的问题,而不是管理Hadoop工作等的机制 . 你甚至可以在顶层(如clojure或jruby)分层不同的语言,甚至可以进一步简化你的开发和应用程序 . http://www.cascading.org/modules.html
我已经使用JobConf对象一个接一个地进行了作业链接 . 我把WordCount示例用于链接作业 . 一项工作计算出一个单词在给定输出中重复多少次 . 第二个作业将第一个作业输出作为输入,并计算出给定输入中的总单词 . 下面是需要放在Driver类中的代码 .
运行这些作业的命令是:
bin / hadoop jar TotalWords .
我们需要为命令提供最终作业名称 . 在上面的例子中,它是TotalWords .
您可以按照代码中给出的方式运行MR链 .
PLEASE NOTE :仅提供了驱动程序代码
序列是
( JOB1 )MAP-> REDUCE->( JOB2 )MAP
这样做是为了对键进行排序,但有更多方法,例如使用树形图
然而,我想把注意力集中在乔布斯被锁链的方式上!
谢谢
您可以使用oozie来处理MapReduce作业 . http://issues.apache.org/jira/browse/HADOOP-5303
Apache Mahout项目中有一些示例将多个MapReduce作业链接在一起 . 其中一个例子可以在以下位置找到:
RecommenderJob.java
http://search-lucene.com/c/Mahout:/core/src/main/java/org/apache/mahout/cf/taste/hadoop/item/RecommenderJob.java%7C%7CRecommenderJob
我们可以利用Job的
waitForCompletion(true)
方法来定义作业之间的依赖关系 .在我的场景中,我有3个相互依赖的工作 . 在驱动程序类中,我使用了下面的代码,它按预期工作 .
新的类org.apache.hadoop.mapreduce.lib.chain.ChainMapper帮助这个场景
虽然有复杂的基于服务器的Hadoop工作流引擎,例如oozie,但我有一个简单的java允许将多个Hadoop作业作为工作流执行的库 . 定义作业间依赖关系的作业配置和工作流在JSON文件中配置 . 所有内容都是外部可配置的,并且不需要对现有 Map 缩减实施进行任何更改即可成为工作流程的一部分 .
详细信息可以在这里找到 . 源代码和jar在github中可用 .
http://pkghosh.wordpress.com/2011/05/22/hadoop-orchestration/
普拉纳布
我认为oozie帮助后续工作直接从上一份工作接收输入 . 这避免了使用jobcontrol执行的I / O操作 .
如果您想以编程方式链接您的作业,您将使用JobControl . 用法很简单:
之后,添加ControlledJob实例 . ControlledJob使用它的依赖关系定义一个作业,从而自动插入输入和输出以适应作业的“链” .
开始链 . 你会想把它放在一个特殊的线程中 . 这样可以检查链条的运行状态:
正如您在要求中提到的那样,您希望将MRJob1的o / p作为MRJob2的i / p等等,您可以考虑将oozie工作流用于此用例 . 您也可以考虑将中间数据写入HDFS,因为它将由下一个MRJob使用 . 作业完成后,您可以清理中间数据 .