hadoop - 如何强制执行 mapreduce 程序来执行组合器？

Question

我正在开发一个 MapReduce 程序，我需要在其中将实体插入到数据库中。由于某些性能问题，将实体插入数据库应该在组合器中完成。我的程序没有reducer，所以只有mapper和combiner。由于Hadoop引擎可能不执行combiner(combiner是可选的)，我如何强制它运行combiner？

Answer 1

MapReduce 框架不提供强制执行组合器的支持方法。组合器可能被调用 0 次、1 次或多次。该框架可以自由地就此做出自己的决定。

当前的实现决定根据映射任务执行期间发生的磁盘溢出来运行组合器。 mapred-default.xml 的 Apache Hadoop 文档记录了几个可能对溢出事件有影响的配置属性。

<property>
  <name>mapreduce.map.sort.spill.percent</name>
  <value>0.80</value>
  <description>The soft limit in the serialization buffer. Once reached, a
  thread will begin to spill the contents to disk in the background. Note that
  collection will not block if this threshold is exceeded while a spill is
  already in progress, so spills may be larger than this threshold when it is
  set to less than .5</description>
</property>

<property>
  <name>mapreduce.task.io.sort.factor</name>
  <value>10</value>
  <description>The number of streams to merge at once while sorting
  files.  This determines the number of open file handles.</description>
</property>

<property>
  <name>mapreduce.task.io.sort.mb</name>
  <value>100</value>
  <description>The total amount of buffer memory to use while sorting 
  files, in megabytes.  By default, gives each merge stream 1MB, which
  should minimize seeks.</description>
</property>

此外，还有一个未记录的配置属性 mapreduce.map.combine.minspills，它定义了运行组合器之前所需的最小溢出数。如果未指定，默认值为 3。

有可能可以恰到好处地调整这些配置属性，以设置触发足够溢出的条件以超过 mapreduce.map.combine.minspills，从而保证至少调用一次组合器。但是，我不推荐这样做，因为它会非常脆弱。该逻辑对外部因素非常敏感，例如输入数据的大小。此外，它将依赖于当前 MapReduce 代码库的具体实现细节。内部算法可能会发生变化，这些变化可能会打破您的假设。实际上没有用于强制运行组合器的公共(public) API。

此外，请记住，与缩减器不同，组合器可能无法全面了解与特定键关联的所有值。如果多个 map 任务处理具有相同键的记录，那么 reducer 是唯一可以保证看到所有这些值组合在一起的地方。即使在单个映射任务中，组合器也可能使用从其处理的输入拆分中提取的键值的不同子集执行多次。

有关将数据从 Hadoop 导出到关系数据库的问题的更标准解决方案，请考虑 DBOutputFormat或 Sqoop .