原标题:通过简单瘦身,化解Dataworks 10M文本限制难题

摘要:大数目计算服务(MaxCompute)的成效详解和采取体验

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

澳门新葡8455手机版,摘要:
用户在DataWorks上执行MapReduce作业的时候,文件大于10M的JALX570和能源文件不能够上传到Dataworks,导致力不从心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-大数量总结服务马克斯Compute产品地址:


用户在DataWorks上进行MapReduce作业的时候,文件大于10M的JAPAJERO和能源文件无法上传到Dataworks,导致不可能运用调度去定期执行MapReduce作业。

前言

1. 功课应运而生ClassNotFoundException和NoClassDefFoundError万分退步?

A:
对于ClassNotFoundException相当,一般是借助的class不在你的jar包中,必要把正视的库打到作业jar包中可能独立上传,并在-resources中钦命;
对此NoClassDefFoundError万分,先看看信赖class是或不是存在于你的jar包,很多景色下是出于版本争论造成的,也许你依靠的库和服务端自带的jar有冲突。


消除方案:

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根基上做一些接近注明及细节解释上的办事。

2. M本田UR-V提交命令中-resources和-classpath的精通?

A:
在MaxCompute中就像是MTiggo那类分布式数据处理框架,用户的代码一般在偏下七个地点实施:

  • 运维客户端的进程/子进程:这里的用户代码负责准备进行环境、配置职分参数、提交职分,入口平时是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中使用-classpath选项添加依赖的classpath路径。
  • 远程执行的worker过程:那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在此地不算(鲜明,远程机器的路线和客户端机器的路线相当小概保障同一),任何第贰方重视必须作为resource提前上传至马克斯Compute,并在提交任务时利用-resources选项或JobConf.setResources(String[])来设定。

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

功用介绍

3. Mapper数目如何设置?

A:假如没有输入表是能够直接钦命map数目setNumMapTasks
   
有输入表的话,setNumMapTasks不奏效,需要通过setSplitSize来控制map数,默认是256M。


客户端下载地址:

MapReduce

4. Reducer数目怎么样设置?

A: 通过JobConf的接口setNumReduceTasks能够安装。
对此pipeline作业,Jobconf的接口同样能够安装,只但是设置后拥有reduce阶段的个数都以同样的值。
若果要分等级设置,设置格局如下:
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:

澳门新葡8455手机版 1

5. 报错java.lang.OutOfMemoryError: Java heap space,MOdyssey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有的构成,JVM的heap memory和JVM
之外的框架相关内部存款和储蓄器。
   
设置JVM内部存款和储蓄器的接口是(都以Java逻辑的话,调节内部存款和储蓄器是用上边四个接口):
    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(一般不须求设置):
    setMemoryForMapTasksetMemoryForReduceTask(默认是2048 单位MB)


add jar C:\test_mr\test_mr.jar -f;//添加能源

说起MapReduce就少不了WordCount,小编特意喜欢文书档案里的那么些图片。

6. mr 输出到表或某些分区里时,输出的形式时增添还是覆盖 ?

A: 会覆盖输出表或分区此前的始末


其次步:近年来透过马克斯Compute
CLI上传的能源,在Dataworks左侧财富列表是找不到的,只好通过list
resources查看确认财富;

比如有一张相当大的表。表里有个String字段记录的是用空格分割开单词。最终索要总结全数记录中,每一个单词出现的次数是多少。那完全的计算流程是

7. 三遍排序功用,M大切诺基相关配置解释,setMapOutputKeySchema? setOutputKeySortColumns? setPartitionColumns? setOutputGroupingColumns?

A:
平日状态下,GroupingColumns包括在KeySortColumns中,KeySortColumns和PartitionColumns要包括在Key
schema中。

  • 在Map端,Mapper输出的Record会依据设置的PartitionColumns总结哈希值,决定分配到哪些Reducer,会依照KeySortColumns对Record举行排序。
  • 在Reduce端,输入Records在根据KeySortColumns排序好后,会依据GroupingColumns内定的列对输入的Records实行分组,即会相继遍历输入的Records,把GroupingColumns所钦点列相同的Records作为3次reduce函数调用的输入。

list resources;//查看财富

输入阶段:根据工作量,生成多少个Mapper,把那些表的数量分配给这么些Mapper。每个Mapper分配到表里的一局地记录。

8. 请问mr job的map恐怕reduce就算想提前终止job, 执行什么样代码?

A:
抛至极就能够,例如throw new RuntimeException("XXX"); 会导致job失利,job也就驾鹤归西了。


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

Map阶段:每一种Mapper针对每条数据,解析其中的字符串,用空格切开字符串,获得一组单词。针对内部各类单词,写一条记下

9. 请问map阶段有时候为啥会有interrupted,可是map 最后照旧实现了?

A:因为有backup instance在跑,产生backup instance一般是因为有少数map
instances显然慢于其余的,就会在别的机器上运维3个均等的worker来跑,这些成效相近于hadoop的预测执行,只要当中某些成功跑完,别的的就足以停掉了(变为interrupted)


澳门新葡8455手机版 2

Shuffle阶段-合并排序:也是爆发在Mapper上。会先对数据进行排序。比如WordCount的例证,会基于单词实行排序。排序后的相会,又称Combiner阶段,因为后边已经依照单词排序过了,相同的单词都以连在一起的。那能够把3个相邻的合并成二个。Combiner可以减掉在一而再Reduce端的总计量,也足以减小Mapper往Reducer的数额传输的工作量。

透过简单瘦身,MapReduce常见难点解答。10. mr怎样获得输入表的消息?

A:
参考:
使用Mapper.TaskContext的接口getInputTableInfo(),会拿走输入表的TableInfo对象
各样map
worker只会处理来自单一表或分区的数量,在mapper的setup阶段获得该音讯即可。


由此上述格局,我们能够在Dataworks上跑大于10M的M奥迪Q3作业。

Shuffle阶段-分配Reducer:把Mapper输出的单词分发给Reducer。Reducer获得数码后,再做一次排序。因为Reducer获得的数据已经在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目做统一排序。

11. 哪些选用自定义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里开始展览设置:jobconf.setPartitionerClass(MyPartitioner.class)
其余索要在jobconf里显眼内定reducer的个数:jobconf.setNumReduceTasks(num)


作者:隐林

Reduce阶段:Reducer拿前边早已排序好的输入,相同的单词的全数输入进去同一个Redue循环,在循环里,做个数的丰富。

12. 怎么着设置Key排体系的逐条(ASC or DESC)?

A: 类似如下: 
//key按那么些列排序
job.setOutputKeySortColumns(new String[] { "custid", "msgtype","amount" });
//设置种种列正序依然倒序
job.setOutputKeySortOrder(new SortOrder[]{SortOrder.ASC,SortOrder.ASC,SortOrder.DESC});


​本文为云栖社区原创内容,未经允许不得转发。回来和讯,查看更多

输出阶段:输出Reduce的盘算结果,写入到表里恐怕再次回到给客户端。

13. 报错kInstanceMonitorTimeout, usually caused by bad udf performance,怎么化解?

A:
报那些错的原由是mapper或许reducer有逻辑执行时间特别长,且尚未从输入表的读数据可能写出多少,抢先暗中认可10min后,会报那一个特别;有两种缓解办法:

  • 将过期的时间调的更长一些,能够设置参数odps.function.timeout要么设置JobConf#setFunctionTimeout,最长能够设置为3600,即1个小时。
  • 期限向框架汇报心跳 TaskContext#progress(),注意progress不要调用过于频仍,不然有品质难点,能保证四回调用之间的时日低于设置的timeout时间即可。

责编:

拓展MapReduce

14. 框架map只怕reduce接口里的Record对象是复用的?

A:是的,为了减小对象的开支,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的历次迭代,Record对象没有变,只是当中的数量变动了。借使要保存上三次的Record须求toArray()得到中间的多寡对象开展封存。具体能够参考:


假如Reduce前边还需求做尤其的Reduce计算,能够用拓展MapReduce模型(简称M安德拉Evoque)。MRRubicon其实就是Reduce阶段结束后,不直接出口结果,而是再度经过Shuffle后接此外3个Reduce。

15. 写完一条记下后,想把outputRecord里面包车型客车多寡清空,那一个要怎么弄,要不然,再写下一条记下的时候,假设某些字段没有值,就会用原来的记录填充?

   
A:若是写的Record对象是复用的,假如某些值没有新set,则照旧封存着前边的值对象。近日从未有过一向能够清空的api能够用,能够通过Record.getColumnCount获得column
count,用2个for 循环去一一set null即可。


Q:怎么样完毕M->PRADO->M->奥迪Q7那种逻辑吗

16. M福睿斯支持多路输入输出,应该怎么写这么的主次?

    A:参考:多路输入输出示例
对于多路输入,各样输入源对应单独的1个Map阶段,即多个map
task只会读取八个输入表的数据。可以钦命叁个表的延续串分区列来作为一个输入,例如a,
b, c三分区列,钦定分区时得以钦定a=1/b=1/c=2类似这样。
   
假设同样级其他五个分区,则需求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及的输入,须求各自钦赐。
    maponly的课业也同样支撑多路输入输出,实现方式类似。


A:在Reduce代码里直接嵌套上Map的逻辑就足以了,把首个M的干活在前3个途胜里实现,而不是当做统计引擎调度规模上的叁个独立步骤,比如

17. sdk怎么样通过instance获取logview url?

A: 可以选用如下的法门得到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.  M汉兰达作业怎么样钦赐输入表的Project名字?

A: 能够按如下的方式钦点:

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

通过TableInfo.builder()projectName接口来钦赐,假如不点名,暗中认可值是在运维M奥迪Q5作业的10分project.


    …

19. 不等的Mapper或然Reducer如何获得可分别的ID?

A:
有些事情场景须求区分不相同的Mapper或Reducer,能够经过TaskContextgetTaskID接口获取到七个Mapper/Reducer独有的id。

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

    map();

20. MHighlander代码里有JNI的调用该怎么写?

A:首先project要开通jni的有关权限,在编写翻译准备好so文件后,要求将so以file类型的款型丰硕为Resource,并在MLAND作业提交的时候-resources参数里钦定,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奥迪Q5的java代码应用jni的时候要专注,使用办法如下:

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的选择方法能够参见:


}

21. MSportage作业读取表财富,Archive能源应该如何操作?

A: 马克斯Compute上的财富(file, table,
archive等)能够类比于Hadoop的DistributedCache来掌握,同样是会散发到各个总括节点上去,worker再从地点来读取,由此能源文件不可能过大,不然分发财富正是二个瓶颈,近年来暗中认可有2G的总财富大小限制。
读取财富表,Archive能源总体上的话和读取file类型能源是近似的,只是利用的接口差别。读取财富文件的办法能够参见文书档案:使用财富示例

对此表财富:
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:
将本地archive(.tar, .zip等archive文件)上传为财富: add archive as xxx
-f;
读archive财富的接口为:TaskContext#readResourceArchiveAsStream


…不断更新中…

MapReduce常见难题解答,odpsmaxcompute分区 本文用到的
Ali云数加-大数据总结服务马克斯Compute产品地址:…

即刻起始

运作环境

工欲善其事,必先利其器。MOdyssey的支付提供了依据IDEA和Eclipse的插件。个中相比推荐用IDEA的插件,因为IDEA大家还在持续做迭代,而Eclipse已经终止做立异了。而且IDEA的功用也相比充足。

具体的插件的安装格局步骤可以参照文档,本文不在赘言。

除此以外后续还须要用到客户端,可以参照文档安装。

接轨为了特别明亮地证实难点,小编会尽量地在客户端上操作,而不用IDEA里早就合龙的主意。

线上运维

以WordCount为例,文书档案能够参考这里

步骤为

做多少准备,包蕴创立表和利用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