MapReduce計數器和連接
在MapReduce的計數器是用於收集關於 MapReduce 工作的統計信息的機制。這個信息在MapReduce的作業處理的問題的診斷是很有用的。 計數器類似於將在 map 或 reduce 在代碼日誌信息中。
通常情況下，這些計數器在一個程序(map 或 reduce)中定義，當一個特定事件或條件(特定於該計數器)發生執行期間遞增。計數器是一個很好的應用來從輸入數據集跟蹤有效和無效的記錄。
有兩種類型的計數器：
1. Hadoop 內置計數器: 有一些內置計數器存在每個作業中。下面是內置計數器組：
- MapReduce任務計數器 - 收集任務的具體信息(例如，輸入記錄的數量)在它的執行期間。
- 文件系統計數器 - 收集信息像由一個任務讀取或寫入的字節數
- FileInputFormat計數器 - 收集通過FileInputFormat讀取的字節數的信息
- FileOutputFormat計數器 - 收集的字節數量的信息通過 FileOutputFormat 寫入
- Job 計數器- 這些計數器使用 JobTracker。它們收集統計數據包括如，任務發起了作業的數量。
2. 用戶定義的計數器
除了內置的計數器，用戶可以定義自己的計數器，通過使用編程語言提供了類似的功能。 例如，在 Java 的枚舉用於定義用戶定義的計數器。
一個MapClass例子使用計數器計算缺失和無效值的數量：
publicstaticclassMapClass
extendsMapReduceBase
implementsMapper<LongWritable, Text, Text, Text>
{
staticenumSalesCounters { MISSING, INVALID };
publicvoidmap ( LongWritable key, Text value,
OutputCollector<Text, Text> output,
Reporter reporter) throwsIOException
{
//Input string is split using ',' and stored in 'fields' array
String fields[] = value.toString().split(",", -20);
//Value at 4th index is country. It is stored in 'country' variable
String country = fields[4];
//Value at 8th index is sales data. It is stored in 'sales' variable
String sales = fields[8];
if(country.length() == 0) {
reporter.incrCounter(SalesCounters.MISSING, 1);
} elseif(sales.startsWith("\"")) {
reporter.incrCounter(SalesCounters.INVALID, 1);
} else{
output.collect(newText(country), newText(sales + ",1"));
}
}
}
上面的代碼片段顯示在 Map Reduce 實現計數器的示例。
在這裏，SalesCounters是用「枚舉」定義的計數器。它被用來計算 MISSING 和 INVALID 的輸入記錄。
在代碼段中，如果 「country」 字段的長度爲零那麼它的值丟失，因此相應的計數器 SalesCounters.MISSING 遞增。
接下來，如果 「sales」 字段開頭是符號 '' ，則記錄被視爲無效。這通過遞增計數器 SalesCounters.INVALID 來表示。
MapReduce 連接
連接兩個大的數據集可以使用 MapReduce Join 來實現。然而，這個過程需要編寫大量的代碼來執行實際的連接操作。
連接兩個數據集開始是通過比較每個數據集的大小。如果因爲相比其他數據集一個數據集小，那麼小數據集被分佈到集羣中的每個數據節點。一旦分散，無論是 Mapper 或 Reducer 使用更小的數據集進行查找匹配的大型數據集的記錄，然後結合這些記錄，形成輸出記錄。
這取決於在實際連接進行的地方，這個連接分爲：
1. 映射端連接 - 當該聯接是由映射器執行的，它稱爲映射端鏈接。在這種類型中，聯結前的數據由映射函數實際來消耗的處理。它是強制性的，輸入到每個映射是在分區中的形式，並且是按排序順序。另外，必須有一個相等數目的分區，它必須由連接鍵進行排序。
2. Reduce端連接- 當連接是通過減速器進行的，稱爲reduce端連接。沒有必要在此連接有數據集中在以結構化形式(或分區)。
在這裏，映射端的處理髮出連接這兩個表的關鍵字和對應的元組。作爲該處理的效果，所有的元組相同連接鍵都落在相同的 reducer，然後使用相同的連接鍵連接記錄。
整體處理流程示於下圖。