- Hadoop程序开发的独门绝技
- 在本地，伪分布和全分布模式下调试程序
- 程序输出的完整性检查和回归测试
- 日志和监控
- 性能调优
1、开发MapReduce程序
[本地模式]
本地模式下的hadoop将所有的运行都放在一个单独的Java虚拟机中完成，并且使用的是本地文件系统（非HDFS）。在本地模式中运行的程序将所有的日志和错误信息都输出到控制台，最后它会给出所处理数据的总量。
对程序进行正确性检查：
- 完整性检查
- 回归测试
- 考虑使用long而非int
[伪分布模式]
本地模式不具备生产型hadoop集群的分布式特征。一些bug在运行本地模式时是不会出现的。现在是通过日志文件和web界面远程监视它，这些工具和以后在监控生产集群时用的工具是相同的。
2、生产集群上的监视和调试
[计数器]
代码清单 使用计数器统计缺失值个数的MapClass
import java.io.IOException;
import java.util.regex.PatternSyntaxException;
import java.util.Iterator; 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.LongWritable;
import org.apache.hadoop.io.DoubleWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapred.*;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner; public class AveragingWithCombiner extends Configured implements Tool { public static class MapClass extends MapReduceBase
implements Mapper<LongWritable, Text, Text, Text> { static enum ClaimsCounters { MISSING, QUOTED }; public void map(LongWritable key, Text value,
OutputCollector<Text, Text> output,
Reporter reporter) throws IOException { String fields[] = value.toString().split(",", -20);
String country = fields[4];
String numClaims = fields[8];
if (numClaims.length() == 0) {
reporter.incrCounter(ClaimsCounters.MISSING, 1);
} else if (numClaims.startsWith("\"")) {
reporter.incrCounter(ClaimsCounters.QUOTED, 1);
} else {
output.collect(new Text(country), new Text(numClaims + ",1"));
} }
} public static class Combine extends MapReduceBase
implements Reducer<Text, Text, Text, Text> { public void reduce(Text key, Iterator<Text> values,
OutputCollector<Text, Text> output,
Reporter reporter) throws IOException { double sum = 0;
int count = 0;
while (values.hasNext()) {
String fields[] = values.next().toString().split(",");
sum += Double.parseDouble(fields[0]);
count += Integer.parseInt(fields[1]);
}
output.collect(key, new Text(sum + "," + count));
}
} public static class Reduce extends MapReduceBase
implements Reducer<Text, Text, Text, DoubleWritable> { public void reduce(Text key, Iterator<Text> values,
OutputCollector<Text, DoubleWritable> output,
Reporter reporter) throws IOException { double sum = 0;
int count = 0;
while (values.hasNext()) {
String fields[] = values.next().toString().split(",");
sum += Double.parseDouble(fields[0]);
count += Integer.parseInt(fields[1]);
}
output.collect(key, new DoubleWritable(sum/count));
}
} public int run(String[] args) throws Exception {
// Configuration processed by ToolRunner
Configuration conf = getConf(); // Create a JobConf using the processed conf
JobConf job = new JobConf(conf, AveragingWithCombiner.class); // Process custom command-line options
Path in = new Path(args[0]);
Path out = new Path(args[1]);
FileInputFormat.setInputPaths(job, in);
FileOutputFormat.setOutputPath(job, out); // Specify various job-specific parameters
job.setJobName("AveragingWithCombiner");
job.setMapperClass(MapClass.class);
job.setCombinerClass(Combine.class);
job.setReducerClass(Reduce.class); job.setInputFormat(TextInputFormat.class);
job.setOutputFormat(TextOutputFormat.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(Text.class); // Submit the job, then poll for progress until the job is complete
JobClient.runJob(job); return 0;
} public static void main(String[] args) throws Exception {
// Let ToolRunner handle generic command-line options
int res = ToolRunner.run(new Configuration(), new AveragingWithCombiner(), args); System.exit(res);
}
}
[跳过坏记录]
（1）在Java中配置记录跳读
hadoop从0.19版本起就已经支持skipping特征了，但默认状态是关闭的。在Java中，这个特征由类SkipBadRecords来控制，全部由静态方法组成。作业的driver需要调用如下的一个或全部方法：
public static void setMapperMaxSkipRecords(Configuration conf, long maxSkipRecs)
public static void setReducerMaxSkipGroups(Configuration conf, long maxSkipRecs)
来分别为map任务和reduce任务打开记录跳读的设置。如果最大的跳读区域大小被设置为0（默认），那么记录跳读就处于关闭状态。可以使用JobConf.setMaxMapAttempts()和JobConf.setMaxReduceAttempts()方法，或者设置等效的属性mapred.map.max.attempts和mapred.reduce.max.attempts来做到这点。
如果skipping被启用，hadoop在任务失效两次后就进入skipping模式。你可以在SkipBadRecords的setAttemptsToStartSkipping()方法中设置触发skipping模式的任务失效次数：
public static void setAttemptsToStartSkipping(Configuration conf, int attemptsToStartSkipping)
hadoop会把被跳过的记录写入HDFS以供以后分析，它们以序列文件的形式写入_log/skip目录，可以用hadoop fs -text <filepath>解压并读取。你可以使用方法SkipBadRecords.setSkipOutputPath(JobConf conf, Path path)修改当前用于存放被跳过记录的目录_log/skip，如果path被设为空，或者一个值为“none”的字符串path，hadoop就会放弃记录被跳过的记录。
（2）在Java之外配置记录跳读
|
SkipBadRecords方法
|
JobConf属性
|
| setAttemptsToStartSkipping() | mapred.skip.attempts.to.start.skipping |
| setMapperMaxSkipRecords() | mapred.skip.map.max.skip.records |
| setReducerMaxSkipGroups() | mapred.skip.reduce.max.skip.groups |
| setSkipOutputPath() | mapred.skip.out.dir |
| setAutoIncrMapperProcCount() | mapred.skip.map.auto.incr.proc.count |
| setAutoIncrReducerProcCount() | mapred.skip.reduce.auto.incr.proc.count |
3、性能调优
（1）通过combiner来减少网络流量
Combiner可以减少在map和reduce阶段之间洗牌的数据量，较低的网络流量缩短了执行时间。
（2）减少输入数据量
（3）使用压缩
hadoop内置支持压缩与解压。启用对map输出的压缩涉及对两个属性的配置：
|
属性
|
描述
|
| mapred.compress.map.output | Boolean属性，表示mapper的输出是否被压缩 |
| mapred.map.output.compression.codec | Class属性，表示哪种CompressionCodec被用于压缩mapper的输出 |
conf.setBoolean(“mapred.compress.map.output”, true);
conf.setClass(“mapred.map.output.compression.codec”, GzipCodec.calss, CompressionCodec.class);
也可以直接使用JobConf中的便捷方法setCompressionMapOutput()和setMapOutputCompressorClass()。
（4）重用JVM
hadoop从版本0.19.0开始，允许相同作业的多个任务之间重用JVM。因此，启动开销被平摊到多个任务中。一个新属性（mapred.job.reuse.jvm.num.tasks）指定了一个JVM可以运行的最大任务数。它默认值为1，此时JVM不能被重用。你可以增大该属性值来启用JVM重用。如果将其设置为－1，则意味着在可重复使用JVM的任务数量上没有限制。在JobConf对象中有一个便捷方法，setNumTasksToExecutePerJvm(int)，可以用它很方便地设置作业的属性。
（5）根据猜测执行来运行
启动和禁止猜测执行的配置属性：
|
属性
|
描述
|
| mapred.map.tasks.speculative.execution | 布尔属性，表示是否运行map任务猜测执行 |
| mapred.reduce.tasks.speculative.execution | 布尔属性，表示是否运行reduce任务猜测执行 |
（6）代码重构与算法重写
Streaming程序重写为hadoop的Java程序
[转载请注明] http://www.cnblogs.com/zhengrunjian/