Hadoop实现基于MapReduce的矩阵乘法开启jobhistory

在mapred-site.xml文件中,增加以下配置

<configuration>
<property>
    <name>mapreduce.framework.name</name>
    <value>yarn</value>
</property>

<property>
    <name>mapreduce.jobhistory.address</name>
    <value>0.0.0.0:10020</value>
</property>

<property>
    <name>mapreduce.jobhistory.webapp.address</name>
    <value>0.0.0.0:19888</value>
</property>
</configuration>

在yarn-site.xml文件中,增加以下配置

<configuration>
<property> 
      <name>yarn.nodemanager.aux-services</name>
      <value>mapreduce_shuffle</value> 
</property>
</configuration>

在linux终端运行Hadoop,成功开启jobhistory

2021.8.9更新
在运行基于MapReduce的矩阵乘法过程中,在遇到规模较大的矩阵时,如150*150的矩阵,遇到如下问题:
Container killed on request. Exit code is 143
多半是因为内存分配不足导致,更改配置文件mapred-site.xml和配置文件yarn-site.xml即可。

mapred-site.xml文件内容更改为:

<configuration>
<property>
    <name>mapreduce.framework.name</name>
    <value>yarn</value>
</property>
<property>
    <name>mapreduce.jobhistory.address</name>
    <value>0.0.0.0:10020</value>
</property>
<property>
    <name>mapreduce.jobhistory.webapp.address</name>
    <value>0.0.0.0:19888</value>
</property>
<property>
    <name>mapreduce.map.memory.mb</name>
    <value>1500</value>
    <description>每个Map任务的物理内存限制</description>
</property>
<property>
    <name>mapreduce.reduce.memory.mb</name>
    <value>3000</value>
    <description>每个Reduce任务的物理内存限制</description>
</property>
<property>
    <name>mapreduce.map.java.opts</name>
    <value>-Xmx1200m</value>
</property>
<property>
    <name>mapreduce.reduce.java.opts</name>
    <value>-Xmx2600m</value>
</property>
<property>
    <name>mapreduce.framework.name</name>
    <value>yarn</value>
</property>
</configuration>

yarn-site.xml文件内容更改为:

<configuration>

<!-- Site specific YARN configuration properties -->
<property> 
      <name>yarn.nodemanager.aux-services</name>
      <value>mapreduce_shuffle</value> 
</property>
<property>
    <name>yarn.nodemanager.resource.memory-mb</name>
    <value>22528</value>
    <discription>每个节点可用内存,单位MB</discription>
</property>
<property>
    <name>yarn.scheduler.minimum-allocation-mb</name>
    <value>1500</value>
    <discription>单个任务可申请最少内存,默认1024MB</discription>
</property>
<property>
    <name>yarn.scheduler.maximum-allocation-mb</name>
    <value>16384</value>
    <discription>单个任务可申请最大内存,默认8192MB</discription>
</property>
</configuration>
  • 2
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
Hadoop可以通过MapReduce实现矩阵乘法。下面是一个简单的示例: 1. 首先,将两个矩阵分别存储在Hadoop分布式文件系统(HDFS)中。 2. 创建一个Map任务,将矩阵A的每个元素与矩阵B的每个元素进行相乘,并以(行, 列)作为键,结果作为值输出。 3. 创建一个Reduce任务,对具有相同键的所有值进行求和,得到矩阵C的元素。 4. 提交MapReduce作业,并将结果存储在HDFS中。 下面是一个基本的Java代码示例: ```java import java.io.IOException; import java.util.StringTokenizer; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.fs.Path; import org.apache.hadoop.io.IntWritable; import org.apache.hadoop.io.Text; 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.output.FileOutputFormat; public class MatrixMultiplication { public static class MatrixMapper extends Mapper<Object, Text, Text, Text>{ private Text keyOut = new Text(); private Text valueOut = new Text(); public void map(Object key, Text value, Context context) throws IOException, InterruptedException { String line = value.toString(); StringTokenizer tokenizer = new StringTokenizer(line); // 解析输入行并获取矩阵A和B的元素 String matrixName = tokenizer.nextToken(); int row = Integer.parseInt(tokenizer.nextToken()); int col = Integer.parseInt(tokenizer.nextToken()); int element = Integer.parseInt(tokenizer.nextToken()); if (matrixName.equals("A")) { // 生成以列为键的键值对,并将矩阵A的元素作为值 for (int k = 0; k < col; k++) { keyOut.set(row + "," + k); valueOut.set(matrixName + "," + element); context.write(keyOut, valueOut); } } else { // 生成以行为键的键值对,并将矩阵B的元素作为值 for (int i = 0; i < row; i++) { keyOut.set(i + "," + col); valueOut.set(matrixName + "," + element); context.write(keyOut, valueOut); } } } } public static class MatrixReducer extends Reducer<Text, Text, Text, IntWritable>{ private IntWritable result = new IntWritable(); public void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException { int sum = 0; // 对相同键的所有值进行求和 for (Text val : values) { String[] parts = val.toString().split(","); sum += Integer.parseInt(parts[1]); } // 输出结果 result.set(sum); context.write(key, result); } } public static void main(String[] args) throws Exception { Configuration conf = new Configuration(); Job job = Job.getInstance(conf, "matrix multiplication"); job.setJarByClass(MatrixMultiplication.class); job.setMapperClass(MatrixMapper.class); job.setReducerClass(MatrixReducer.class); job.setOutputKeyClass(Text.class); job.setOutputValueClass(Text.class); FileInputFormat.addInputPath(job, new Path(args[0])); FileOutputFormat.setOutputPath(job, new Path(args[1])); System.exit(job.waitForCompletion(true) ? 0 : 1); } } ``` 假设矩阵A和矩阵B的输入文件分别为inputA.txt和inputB.txt,输出路径为output路径,可以使用以下命令运行MapReduce作业: ``` hadoop jar MatrixMultiplication.jar inputA.txt inputB.txt output ``` 最后,可以在output路径下找到矩阵C的结果。请注意,此示例为了简洁起见,省略了输入文件的格式和错误处理,实际使用时需要进行适当修改和完善。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值