转自:http://qindongliang.iteye.com/blog/2064281
如果MapReduce中需要用到多个job,而且多个job之间需要设置一些依赖关系,比如Job3需要依赖于Job1和Job2,这就要用到JobControl,具体的用法如下:
- public static int handleJobChain(Job job1 ,Job job2,Job job3, String chainName) throws IOException{
- ControlledJob controlledJob1 = new ControlledJob(job1.getConfiguration());
- controlledJob1.setJob(job1);
- ControlledJob controlledJob2 = new ControlledJob(job2.getConfiguration());
- controlledJob2.setJob(job2);
- ControlledJob controlledJob3 = new ControlledJob(job2.getConfiguration());
- controlledJob3.setJob(job3);
- controlledJob3.addDependingJob(controlledJob1);
- controlledJob3.addDependingJob(controlledJob2);
- JobControl jc = new JobControl(chainName);
- jc.addJob(controlledJob1);
- jc.addJob(controlledJob2);
- jc.addJob(controlledJob2);
- Thread jcThread = new Thread(jc);
- jcThread.start();
- while(true){
- if(jc.allFinished()){
- System.out.println(jc.getSuccessfulJobList());
- jc.stop();
- return 0;
- }
- if(jc.getFailedJobList().size() > 0){
- System.out.println(jc.getFailedJobList());
- jc.stop();
- return 1;
- }
- }
- }
需要给每个Job设置自己的Configuration,然后通过JobControl将多个Job连接到一起。
由于JobControl实现了Runnable接口,可以通过线程运行JobControl,最后通过Stop方法可以停止。如果不用一个Thread来运行,就会导致Hadoop中所有Job执行完毕之后,最后不会退出,但是结果是输出完毕的。
-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------
使用Hadoop里面的MapReduce来处理海量数据是非常简单方便的,但有时候我们的应用程序,往往需要多个MR作业,来计算结果,比如说一个最简单的使用MR提取海量搜索日志的TopN的问题,注意,这里面,其实涉及了两个MR作业,第一个是词频统计,第两个是排序求TopN,这显然是需要两个MapReduce作业来完成的。其他的还有,比如一些数据挖掘类的作业,常常需要迭代组合好几个作业才能完成,这类作业类似于DAG类的任务,各个作业之间是具有先后,或相互依赖的关系,比如说,这一个作业的输入,依赖上一个作业的输出等等。
在Hadoop里实际上提供了,JobControl类,来组合一个具有依赖关系的作业,在新版的API里,又新增了ControlledJob类,细化了任务的分配,通过这两个类,我们就可以轻松的完成类似DAG作业的模式,这样我们就可以通过一个提交来完成原来需要提交2次的任务,大大简化了任务的繁琐度。具有依赖式的作业提交后,hadoop会根据依赖的关系,先后执行的job任务,每个任务的运行都是独立的。
下面来看下散仙的例子,组合一个词频统计+排序的作业,测试数据如下:
- 秦东亮;72
- 秦东亮;34
- 秦东亮;100
- 三劫;899
- 三劫;32
- 三劫;1
- a;45
- b;567
- b;12
代码如下:
- package com.qin.test.hadoop.jobctrol;
- import java.io.IOException;
- import org.apache.hadoop.fs.FileSystem;
- import org.apache.hadoop.fs.Path;
- import org.apache.hadoop.io.IntWritable;
- import org.apache.hadoop.io.LongWritable;
- import org.apache.hadoop.io.Text;
- import org.apache.hadoop.io.WritableComparator;
- import org.apache.hadoop.mapred.JobConf;
- import org.apache.hadoop.mapreduce.Job;
- import org.apache.hadoop.mapreduce.Mapper;
- import org.apache.hadoop.mapreduce.Reducer;
- import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
- import org.apache.hadoop.mapreduce.lib.jobcontrol.ControlledJob;
- import org.apache.hadoop.mapreduce.lib.jobcontrol.JobControl;
- import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
- /**
- * Hadoop的版本是1.2的
- * JDK环境1.6
- * 使用ControlledJob+JobControl新版API
- * 完成组合式任务
- * 第一个任务是统计词频
- * 第二个任务是降序排序
- *
- * 如果使用MapReduce作业来完成的话,则需要跑2个MR任务
- * 但是如果我们使用了JobControl+ControlledJob就可以在
- * 一个类里面完成类型的DAG依赖式的作业
- *
- *
- * @author qindongliang
- *
- *
- *
- * ***/
- public class MyHadoopControl {
- /***
- *
- *MapReduce作业1的Mapper
- *
- *LongWritable 1 代表输入的key值,默认是文本的位置偏移量
- *Text 2 每行的具体内容
- *Text 3 输出的Key类型
- *Text 4 输出的Value类型
- *
- * */
- private static class SumMapper extends Mapper<LongWritable, Text, Text, IntWritable>{
- private Text t=new Text();
- private IntWritable one=new IntWritable(1);
- /**
- *
- * map阶段输出词频
- *
- *
- * **/
- @Override
- protected void map(LongWritable key, Text value,Context context)
- throws IOException, InterruptedException {
- String data=value.toString();
- String words[]=data.split(";");
- if(words[0].trim()!=null){
- t.set(" "+words[0]);//赋值K
- one.set(Integer.parseInt(words[1]));
- context.write(t, one);
- }
- }
- }
- /**
- * MapReduce作业1的Reducer
- * 负责词频累加,并输出
- *
- * **/
- private static class SumReduce extends Reducer<Text, IntWritable, IntWritable, Text>{
- //存储词频对象
- private IntWritable iw=new IntWritable();
- @Override
- protected void reduce(Text key, Iterable<IntWritable> value,Context context)
- throws IOException, InterruptedException {
- int sum=0;
- for(IntWritable count:value){
- sum+=count.get();//累加词频
- }
- iw.set(sum);//设置词频
- context.write(iw, key);//输出数据
- }
- }
- /**
- * MapReduce作业2排序的Mapper
- *
- * **/
- private static class SortMapper extends Mapper<LongWritable, Text, IntWritable, Text>{
- IntWritable iw=new IntWritable();//存储词频
- private Text t=new Text();//存储文本
- @Override
- protected void map(LongWritable key, Text value,Context context)throws IOException, InterruptedException {
- String words[]=value.toString().split(" ");
- System.out.println("数组的长度: "+words.length);
- System.out.println("Map读入的文本: "+value.toString());
- System.out.println("=====> "+words[0]+" =====>"+words[1]);
- if(words[0]!=null){
- iw.set(Integer.parseInt(words[0].trim()));
- t.set(words[1].trim());
- context.write(iw, t);//map阶段输出,默认按key排序
- }
- }
- }
- /**
- * MapReduce作业2排序的Reducer
- *
- * **/
- private static class SortReduce extends Reducer<IntWritable, Text, Text, IntWritable>{
- /**
- *
- * 输出排序内容
- *
- * **/
- @Override
- protected void reduce(IntWritable key, Iterable<Text> value,Context context)
- throws IOException, InterruptedException {
- for(Text t:value){
- context.write(t, key);//输出排好序后的K,V
- }
- }
- }
- /***
- * 排序组件,在排序作业中,需要使用
- * 按key的降序排序
- *
- * **/
- public static class DescSort extends WritableComparator{
- public DescSort() {
- super(IntWritable.class,true);//注册排序组件
- }
- @Override
- public int compare(byte[] arg0, int arg1, int arg2, byte[] arg3,
- int arg4, int arg5) {
- return -super.compare(arg0, arg1, arg2, arg3, arg4, arg5);//注意使用负号来完成降序
- }
- @Override
- public int compare(Object a, Object b) {
- return -super.compare(a, b);//注意使用负号来完成降序
- }
- }
- /**
- * 驱动类
- *
- * **/
- public static void main(String[] args)throws Exception {
- JobConf conf=new JobConf(MyHadoopControl.class);
- conf.set("mapred.job.tracker","192.168.75.130:9001");
- conf.setJar("tt.jar");
- System.out.println("模式: "+conf.get("mapred.job.tracker"));;
- /**
- *
- *作业1的配置
- *统计词频
- *
- * **/
- Job job1=new Job(conf,"Join1");
- job1.setJarByClass(MyHadoopControl.class);
- job1.setMapperClass(SumMapper.class);
- job1.setReducerClass(SumReduce.class);
- job1.setMapOutputKeyClass(Text.class);//map阶段的输出的key
- job1.setMapOutputValueClass(IntWritable.class);//map阶段的输出的value
- job1.setOutputKeyClass(IntWritable.class);//reduce阶段的输出的key
- job1.setOutputValueClass(Text.class);//reduce阶段的输出的value
- //加入控制容器
- ControlledJob ctrljob1=new ControlledJob(conf);
- ctrljob1.setJob(job1);
- FileInputFormat.addInputPath(job1, new Path("hdfs://192.168.75.130:9000/root/input"));
- FileSystem fs=FileSystem.get(conf);
- Path op=new Path("hdfs://192.168.75.130:9000/root/op");
- if(fs.exists(op)){
- fs.delete(op, true);
- System.out.println("存在此输出路径,已删除!!!");
- }
- FileOutputFormat.setOutputPath(job1, op);
- /**========================================================================*/
- /**
- *
- *作业2的配置
- *排序
- *
- * **/
- Job job2=new Job(conf,"Join2");
- job2.setJarByClass(MyHadoopControl.class);
- //job2.setInputFormatClass(TextInputFormat.class);
- job2.setMapperClass(SortMapper.class);
- job2.setReducerClass(SortReduce.class);
- job2.setSortComparatorClass(DescSort.class);//按key降序排序
- job2.setMapOutputKeyClass(IntWritable.class);//map阶段的输出的key
- job2.setMapOutputValueClass(Text.class);//map阶段的输出的value
- job2.setOutputKeyClass(Text.class);//reduce阶段的输出的key
- job2.setOutputValueClass(IntWritable.class);//reduce阶段的输出的value
- //作业2加入控制容器
- ControlledJob ctrljob2=new ControlledJob(conf);
- ctrljob2.setJob(job2);
- /***
- *
- * 设置多个作业直接的依赖关系
- * 如下所写:
- * 意思为job2的启动,依赖于job1作业的完成
- *
- * **/
- ctrljob2.addDependingJob(ctrljob1);
- //输入路径是上一个作业的输出路径
- FileInputFormat.addInputPath(job2, new Path("hdfs://192.168.75.130:9000/root/op/part*"));
- FileSystem fs2=FileSystem.get(conf);
- Path op2=new Path("hdfs://192.168.75.130:9000/root/op2");
- if(fs2.exists(op2)){
- fs2.delete(op2, true);
- System.out.println("存在此输出路径,已删除!!!");
- }
- FileOutputFormat.setOutputPath(job2, op2);
- // System.exit(job2.waitForCompletion(true) ? 0 : 1);
- /**====================================================================***/
- /**
- *
- * 主的控制容器,控制上面的总的两个子作业
- *
- * **/
- JobControl jobCtrl=new JobControl("myctrl");
- //ctrljob1.addDependingJob(ctrljob2);// job2在job1完成后,才可以启动
- //添加到总的JobControl里,进行控制
- jobCtrl.addJob(ctrljob1);
- jobCtrl.addJob(ctrljob2);
- //在线程启动
- Thread t=new Thread(jobCtrl);
- t.start();
- while(true){
- if(jobCtrl.allFinished()){//如果作业成功完成,就打印成功作业的信息
- System.out.println(jobCtrl.getSuccessfulJobList());
- jobCtrl.stop();
- break;
- }
- if(jobCtrl.getFailedJobList().size()>0){//如果作业失败,就打印失败作业的信息
- System.out.println(jobCtrl.getFailedJobList());
- jobCtrl.stop();
- break;
- }
- }
- }
- }
运行日志如下:
- 模式: 192.168.75.130:9001
- 存在此输出路径,已删除!!!
- 存在此输出路径,已删除!!!
- WARN - JobClient.copyAndConfigureFiles(746) | Use GenericOptionsParser for parsing the arguments. Applications should implement Tool for the same.
- INFO - FileInputFormat.listStatus(237) | Total input paths to process : 1
- WARN - NativeCodeLoader.<clinit>(52) | Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
- WARN - LoadSnappy.<clinit>(46) | Snappy native library not loaded
- WARN - JobClient.copyAndConfigureFiles(746) | Use GenericOptionsParser for parsing the arguments. Applications should implement Tool for the same.
- INFO - FileInputFormat.listStatus(237) | Total input paths to process : 1
- [job name: Join1
- job id: myctrl0
- job state: SUCCESS
- job mapred id: job_201405092039_0001
- job message: just initialized
- job has no depending job:
- , job name: Join2
- job id: myctrl1
- job state: SUCCESS
- job mapred id: job_201405092039_0002
- job message: just initialized
- job has 1 dependeng jobs:
- depending job 0: Join1
- ]
处理的结果如下:
- 三劫 932
- b 579
- 秦东亮 206
- a 45
可以看出,结果是正确的。程序运行成功,上面只是散仙测的2个MapReduce作业的组合,更多的组合其实和上面的一样。
总结:在配置多个作业时,Job的配置尽量分离单独写,不要轻易拷贝修改,这样很容易出错的,散仙在配置的时候,就是拷贝了一个,结果因为少修改了一个地方,在运行时候一直报错,最后才发现,原来少改了某个地方,这一点需要注意一下。