Mapreduce和Yarn概念，参数优化，作用，原理，MapReduce计数器 Counter,MapReduce 多job串联之ControlledJob(来自学习资料)

3.3. MapReduce与YARN

3.3.1 YARN概述

Yarn是一个资源调度平台，负责为运算程序提供服务器运算资源，相当于一个分布式的操作系统平台，而mapreduce等运算程序则相当于运行于操作系统之上的应用程序

3.3.2 YARN的重要概念

1、  yarn并不清楚用户提交的程序的运行机制
2、  yarn只提供运算资源的调度（用户程序向yarn申请资源，yarn就负责分配资源）
3、  yarn中的主管角色叫ResourceManager
4、  yarn中具体提供运算资源的角色叫NodeManager
5、  这样一来，yarn其实就与运行的用户程序完全解耦，就意味着yarn上可以运行各种类型的分布式运算程序（mapreduce只是其中的一种），比如mapreduce、storm程序，spark程序，tez ……
6、  所以，spark、storm等运算框架都可以整合在yarn上运行，只要他们各自的框架中有符合yarn规范的资源请求机制即可
7、  Yarn就成为一个通用的资源调度平台，从此，企业中以前存在的各种运算集群都可以整合在一个物理集群上，提高资源利用率，方便数据共享
 

3.3.3 Yarn中运行运算程序的示例

mapreduce程序的调度过程，如下图
 


 

Mapreduce的其他补充

5.1 计数器应用

在实际生产代码中，常常需要将数据处理过程中遇到的不合规数据行进行全局计数，类似这种需求可以借助mapreduce框架中提供的全局计数器来实现
示例代码如下：

public class MultiOutputs {          //通过枚举形式定义自定义计数器          enum MyCounter{MALFORORMED,NORMAL}            static class CommaMapper extends Mapper<LongWritable, Text, Text, LongWritable> {                     @Override                   protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {                              String[] words = value.toString().split(",");                              for (String word : words) {                                     context.write(new Text(word), new LongWritable(1));                            }                            //对枚举定义的自定义计数器加1                            context.getCounter(MyCounter.MALFORORMED).increment(1);                            //通过动态设置自定义计数器加1                            context.getCounter("counterGroupa", "countera").increment(1);                   }            }

 

5.2 多job串联

一个稍复杂点的处理逻辑往往需要多个mapreduce程序串联处理，多job的串联可以借助mapreduce框架的JobControl实现
 
示例代码：

ControlledJob cJob1 = new ControlledJob(job1.getConfiguration());         ControlledJob cJob2 = new ControlledJob(job2.getConfiguration());         ControlledJob cJob3 = new ControlledJob(job3.getConfiguration());                cJob1.setJob(job1);         cJob2.setJob(job2);         cJob3.setJob(job3);           // 设置作业依赖关系         cJob2.addDependingJob(cJob1);         cJob3.addDependingJob(cJob2);           JobControl jobControl = new JobControl("RecommendationJob");         jobControl.addJob(cJob1);         jobControl.addJob(cJob2);         jobControl.addJob(cJob3);             // 新建一个线程来运行已加入JobControl中的作业，开始进程并等待结束         Thread jobControlThread = new Thread(jobControl);         jobControlThread.start();         while (!jobControl.allFinished()) {             Thread.sleep(500);         }         jobControl.stop();           return 0;

 
 Mapreduce参数优化：

mapreduce参数优化

MapReduce重要配置参数

11.1 资源相关参数

//以下参数是在用户自己的mr应用程序中配置就可以生效
(1) mapreduce.map.memory.mb:一个Map Task可使用的资源上限（单位:MB），默认为1024。如果Map Task实际使用的资源量超过该值，则会被强制杀死。
(2) mapreduce.reduce.memory.mb:一个Reduce Task可使用的资源上限（单位:MB），默认为1024。如果Reduce Task实际使用的资源量超过该值，则会被强制杀死。
(3) mapreduce.map.cpu.vcores:每个Map task可使用的最多cpu core数目, 默认值: 1
(4) mapreduce.reduce.cpu.vcores:每个Reduce task可使用的最多cpu core数目, 默认值: 1
 
//shuffle性能优化的关键参数，应在yarn启动之前就配置好
(12) mapreduce.task.io.sort.mb   100        //shuffle的环形缓冲区大小，默认100m
(13) mapreduce.map.sort.spill.percent   0.8   //环形缓冲区溢出的阈值，默认80%
 
 
 
(5) mapreduce.map.java.opts: Map Task的JVM参数，你可以在此配置默认的java heapsize等参数, e.g.
“-Xmx1024m -verbose:gc-Xloggc:/tmp/@taskid@.gc” （@taskid@会被Hadoop框架自动换为相应的taskid）, 默认值: “”
(6) mapreduce.reduce.java.opts: Reduce Task的JVM参数，你可以在此配置默认的java heapsize等参数, e.g.
“-Xmx1024m -verbose:gc-Xloggc:/tmp/@taskid@.gc”, 默认值: “”
 
 
 
 
 
//应该在yarn启动之前就配置在服务器的配置文件中才能生效
(7) yarn.scheduler.minimum-allocation-mb     1024   给应用程序container分配的最小内存
(8) yarn.scheduler.maximum-allocation-mb     8192     给应用程序container分配的最大内存
(9)yarn.scheduler.minimum-allocation-vcores       1      
(10)yarn.scheduler.maximum-allocation-vcores     32
(11)yarn.nodemanager.resource.memory-mb   8192  每台NodeManager最大可用内存
yarn.nodemanager.resource.cpu-vcores    8    每台NodeManager最大可用cpu核数
 
 

11.2 容错相关参数

(1) mapreduce.map.maxattempts: 每个Map Task最大重试次数，一旦重试参数超过该值，则认为Map Task运行失败，默认值：4。
(2) mapreduce.reduce.maxattempts: 每个Reduce Task最大重试次数，一旦重试参数超过该值，则认为Map Task运行失败，默认值：4。
(3) mapreduce.map.failures.maxpercent: 当失败的Map Task失败比例超过该值为，整个作业则失败，默认值为0. 如果你的应用程序允许丢弃部分输入数据，则该该值设为一个大于0的值，比如5，表示如果有低于5%的Map Task失败（如果一个Map Task重试次数超过mapreduce.map.maxattempts，则认为这个Map Task失败，其对应的输入数据将不会产生任何结果），整个作业扔认为成功。
(4) mapreduce.reduce.failures.maxpercent: 当失败的Reduce Task失败比例超过该值为，整个作业则失败，默认值为0.
(5) mapreduce.task.timeout: Task超时时间，经常需要设置的一个参数，该参数表达的意思为：如果一个task在一定时间内没有任何进入，即不会读取新的数据，也没有输出数据，则认为该task处于block状态，可能是卡住了，也许永远会卡主，为了防止因为用户程序永远block住不退出，则强制设置了一个该超时时间（单位毫秒），默认是300000。如果你的程序对每条输入数据的处理时间过长（比如会访问数据库，通过网络拉取数据等），建议将该参数调大，该参数过小常出现的错误提示是“AttemptID:attempt_14267829456721_123456_m_000224_0 Timed out after300 secsContainer killed by the ApplicationMaster.”。

11.3 本地运行mapreduce 作业

设置以下几个参数:
mapreduce.framework.name=local
mapreduce.jobtracker.address=local
fs.defaultFS=local

11.4 效率和稳定性相关参数

(1) mapreduce.map.speculative: 是否为Map Task打开推测执行机制，默认为false
(2) mapreduce.reduce.speculative: 是否为Reduce Task打开推测执行机制，默认为false
(3) mapreduce.job.user.classpath.first& mapreduce.task.classpath.user.precedence：当同一个class同时出现在用户jar包和hadoop jar中时，优先使用哪个jar包中的class，默认为false，表示优先使用hadoop jar中的class。
(4)mapreduce.input.fileinputformat.split.minsize: FileInputFormat做切片时的最小切片大小，(5)mapreduce.input.fileinputformat.split.maxsize:  FileInputFormat做切片时的最大切片大小
(切片的默认大小就等于blocksize，即 134217728)