hadoop - Hadoop ChainMapper 和 ChainReducer 如何减少磁盘 IO

Question

我想链接多个 mapreduce 作业，即前一个 mapreduce 作业的输出是下一个 mapreduce 作业的输入。因为我的输出非常大，磁盘 IO 过载非常重，我想找到替代解决方案来减少 IO 瓶颈。我找到了 ChainMapper/ChainReducer API。该文件提到了以下属性

“使用 ChainMapper 和 ChainReducer 类可以组成看起来像 [MAP+/REDUCE MAP*] 的 Map/Reduce 作业。这种模式的直接好处是磁盘 IO 的显着减少。”

但是我不太明白为什么使用 ChainMapper/ChainReducer 会减少磁盘 IO。而要减少IO，我应该如何使用这两个API？

Answer 1

据我了解，即使您有多个映射器，链映射器也会将它们视为单个任务。直到任务完成，没有中间写入。

请参阅 javadoc 中的以下语句。

Mapper 类以链式(或管道)方式调用，第一个的输出成为第二个的输入，依此类推，直到最后一个 Mapper，最后一个 Mapper 的输出将写入任务的输出。