Hadoop收集作业执行状态信息

最新推荐文章于 2022-04-12 21:01:57 发布

wf1982

最新推荐文章于 2022-04-12 21:01:57 发布

阅读量3.9k

点赞数

文章标签： hadoop 作业 application 服务器 python 2010

Hadoop收集作业执行状态信息

一个项目需要收集hadoop作业的执行状态的信息，我给出了以下的解决策略：

1、从Hadoop提供的jobtracker.jsp获取需要的信息，这里遇到的一个问题是里面使用了application作用域
JobTracker tracker = (JobTracker) application.getAttribute("job.tracker");
而Jetty服务器是嵌入到Hadoop的内部的，
org.apache.mapred.Jobtracker.java

InetSocketAddress infoSocAddr = NetUtils.createSocketAddr(
conf.get(JT_HTTP_ADDRESS, "0.0.0.0:50030"));
infoServer = new HttpServer("job", infoBindAddress, tmpInfoPort,
tmpInfoPort == 0, conf);
infoServer.setAttribute("job.tracker", this);
于是，如果想通过jsp页面获取统计信息的话，必须绕开Jetty服务器，或者在修改Jobtracker的中返回infoServer的一个引用，在代码中实现，不过显然这个需要修改Hadoop的核心代码，灵活性不高。
2、脚本解析jsp.
通过wget http://localhost:50030/jobtracker.jsp可以看到：

-----------------------------------------------------------------------------------------------
State: RUNNING 
Started: Tue Dec 28 09:43:40 CST 2010 
Version: 0.21.0,
985326 
Compiled: Tue Aug 17 01:02:28 EDT 2010 by
tomwhite from
branches/branch-0.21 
Identifier: 201012280943 
...............................................................................................
这些信息完全都可以使用python beautiful soup（http://www.crummy.com/software/BeautifulSoup/）来解析得到。

3、把你的hadooop版本升级到Hadoop-0.21.0，Cluster类

提供了丰富的API接口
例如我们需要打印作业的信息的时候，只需要：
Configuration conf = new Configuration();
   Cluster cluster = new Cluster(conf);
   Job[] job = cluster.getAllJobs();
   if(job != null) {
      for (Job tmp : job) {
         System.out.println(tmp.getJobID());
         System.out.println(tmp.getJobName());
         System.out.println(tmp.getStartTime());
         System.out.println(tmp.getFinishTime());
      }
   }