处理Hadoop中reduce步骤的大输出值

Question

在我的MapReduce程序的Reduce阶段，我执行的唯一操作是连接提供的迭代器中的每个值，如下所示：

public void reduce(Text key, Iterator<text> values,
                    OutputCollector<Text, Text> output, Reporter reporter) {
    Text next;
    Text outKey = new Text()
    Text outVal = new Text();
    StringBuilder sb = new StringBuilder();
    while(values.hasNext()) {
        next = values.next();
        sb.append(next.toString());
        if (values.hasNext())
            sb.append(',');
    }
    outKey.set(key.toString());
    outVal.set(sb.toSTring());
    output.collect(outKey,outVal);
}

我的问题是，一些reduce输出值是巨大的文本行;如此之大，以至于即使初始大小非常大，字符串缓冲区也必须将其大小增加（加倍）数倍以容纳迭代器的所有上下文，从而导致内存问题。

在传统的 Java 应用程序中，这表明对文件的缓冲写入将是写入输出的首选方法。 如何在Hadoop中处理非常大的输出键值对？ 我应该将结果直接流式传输到 HDFS 上的文件（每个减少调用一个文件）吗？ 有没有办法缓冲输出，而不是output.collect方法？

注意：我已经最大限度地增加了内存/堆大小。 此外，一些消息来源表明，增加化简器的数量可以帮助解决内存/堆问题，但这里的问题直接可以追溯到在扩展其容量时使用 SringBuilder。

谢谢

Answer 1

并不是说我明白为什么你想要一个巨大的价值，但有一种方法可以做到这一点。

如果编写自己的 OutputFormat，则可以修复 RecordWriter.write(Key, Value) 方法的行为，以根据键值是否为 null 来处理值串联。

这样，在化简器中，您可以按如下方式编写代码（键的第一个输出是实际键，之后的所有内容都是空键：

public void reduce(Text key, Iterator<Text> values,
                OutputCollector<Text, Text> output, Reporter reporter) {
  boolean firstKey = true;
  for (Text value : values) {
    output.collect(firstKey ? key : null, value);
    firstKey = false;
  }
}

然后，实际RecordWriter.write()具有以下逻辑来处理空键/值串联逻辑：

    public synchronized void write(K key, V value) throws IOException {
        boolean nullKey = key == null || key instanceof NullWritable;
        boolean nullValue = value == null || value instanceof NullWritable;
        if (nullKey && nullValue) {
            return;
        }
        if (!nullKey) {
            // if we've written data before, append a new line
            if (dataWritten) {
                out.write(newline);
            }
            // write out the key and separator
            writeObject(key);
            out.write(keyValueSeparator);
        } else if (!nullValue) {
            // write out the value delimiter
            out.write(valueDelimiter);
        }
        // write out the value
        writeObject(value);
        // track that we've written some data
        dataWritten = true;
    }
    public synchronized void close(Reporter reporter) throws IOException {
        // if we've written out any data, append a closing newline
        if (dataWritten) {
            out.write(newline);
        }
        out.close();
    }

您会注意到 close 方法也已修改为在写出的最后一条记录中写入尾随换行符

完整的代码清单可以在 pastebin 上找到，下面是测试输出：

key1    value1
key2    value1,value2,value3
key3    value1,value2

Answer 2

如果单个输出键值可以大于内存，则意味着标准输出机制不适合 - 因为通过 inerface 设计，它需要传递键值对而不是流。
我认为最简单的解决方案是将输出直接流式传输到 HDFS 文件。
如果您有理由通过输出格式传递数据 - 我建议以下解决方案：a） 写信给当地的临时目录
b） 将文件名作为输出格式的值传递。

可能最有效但有点复杂的解决方案是使用内存映射文件作为缓冲区。只要有足够的内存，它就会在内存中，并且在需要时，操作系统将关心有效地溢出到磁盘。