Haloop介绍

Haloop用户手册：http://code.google.com/p/haloop/wiki/UserManual

 

1.介绍

Haloop是一个Hadoop MapReduce框架的修改版本，其目标是为了高效支持 迭代，递归数据 分析任务，如PageRank，HITs，K-means，sssp等。递归的连接可能在map端（K-means），也可能在reduce端（PageRank）。

Haloop的基本思想是缓存 循环不变量（即静态变量） 到salve nodes。每次迭代重用这些数据。

2.下载Haloop

3,运行Haloop

  Haloop的配置 与Hadoop完全相同，除了它没有单机模式和伪分布模式。

  Haloop命令行选项 也与Hadoop相同

  故障排除：

   （1）java.lang.OutOfMemoryError: Java heap space
            堆空间异常，大部分情况是因为JVM在垃圾收集上花费大量时间。通过 setting -Xmx提高堆大小heap size一般不起作用。即使这个异常消失，JVM仍在垃圾收集上花费不少时间，这会使性能很糟糕。这是检查Mapper/Reducer代码是否创建了过多对象。因为进入M/R的数据很大，所以m/r函数会被多次调用。导致堆空间不够。尽量减少new操作。。 

  （2）java.io.IOException: Type mismatch in key from map: expected

            不相容类型，一般是因为输入输出与map/reduce作业的键值对不匹配。

   （3）参数设置

              确保迭代过程的每一个人物都有正确的参数设置

4.例子

 PageRank example: Naive PageRank Implementation.

重用原始PageRank的主要部分，得到新版本：PageRank Implementation on HaLoop. 用如下方式运行代码：

$wget http://snap.stanford.edu/data/soc-LiveJournal1.txt.gz
$gzip -d soc-LiveJournal1.txt.gz
$export dataset_path=livejournal
$export result_path=lvjresult
$chmod 755 *.sh
$bin/hadoop dfs -put *livejournal*.txt $dataset_path
$./retest.sh
$./pagerank.sh $dataset_path $result_path <num_of_iteration> <num_of_vertices> <num_of_reducers>

查看结果

$bin/hadoop dfs -get $result_path/i3/part* result/
$cat result/*

运行原始pageRank比较结果：

$./naivepagerank.sh $dataset_path $result_path <num_of_iteration> <num_of_vertices> <num_of_reducers>

注意：两次运行迭代次数都被设置为2，这个可以设置为自己想要的数据。但是应该看到 Haloop的缺陷（这里有描述：http://www.wikieno.com/2012/02/iterative-mapred-summary-haloop/）：没有一个客观的停止迭代的标准