使用 Sequencefile 的 Hadoop Streaming 非常慢

Question

我有一个 python 的 hadoop 流任务。它有效，但 32 个映射器中的一个非常慢。我认为问题是某种数据倾斜，但我不知道问题出在哪里。

这是 hadoop 任务日志，第一个映射器非常非常慢。

task_1520332877638_567306_m_000000      Records R/W=11327/11207 > map
task_1520332877638_567306_m_000001      Records R/W=786/783
task_1520332877638_567306_m_000002      Records R/W=854/851
task_1520332877638_567306_m_000003      Records R/W=850/847
task_1520332877638_567306_m_000004      Records R/W=812/809
task_1520332877638_567306_m_000005      Records R/W=802/799
task_1520332877638_567306_m_000006      Records R/W=854/851
task_1520332877638_567306_m_000007      Records R/W=822/819
task_1520332877638_567306_m_000008      Records R/W=888/885
task_1520332877638_567306_m_000009      Records R/W=1030/871
task_1520332877638_567306_m_000010      Records R/W=894/891
task_1520332877638_567306_m_000011      Records R/W=850/847
task_1520332877638_567306_m_000012      Records R/W=832/829
task_1520332877638_567306_m_000013      Records R/W=804/801
task_1520332877638_567306_m_000014      Records R/W=838/835
task_1520332877638_567306_m_000015      Records R/W=856/853
task_1520332877638_567306_m_000016      Records R/W=852/849
task_1520332877638_567306_m_000017      Records R/W=884/881
task_1520332877638_567306_m_000018      Records R/W=928/925
task_1520332877638_567306_m_000019      Records R/W=896/893

作业指令：如果启用推测执行，它也很慢。

hadoop jar \
     /usr/local/hadoop/hadoop-2.6.0-EDH-0u1-SNAPSHOT-HA-SECURITY/share/hadoop/tools/lib/hadoop-streaming-2.6.0-EDH-0u1-SNAPSHOT.jar \
    -D stream.map.input=typedbytes \
    -D stream.map.output=typedbytes \
    -D stream.reduce.input=typedbytes \
    -D stream.reduce.output=text \
    -D mapred.job.queue.name=root.default \
    -D mapred.map.tasks.speculative.execution=false \
    -inputformat org.apache.hadoop.mapred.SequenceFileAsBinaryInputFormat \
    -mapper "sh map.sh" \
    -reducer "sh reduce.sh" \
    -input xxx \
    -output xxx ......

输入文件是一个带有文本键和二进制值的序列文件。

此输入序列文件由只有一个减速器和多个输出的 MR 任务生成 class。

-rw-rwx---+  3 lmt lmt      3.9 G 2018-05-24 19:53 inputfile

有什么错误吗？

感谢您的帮助。

Answer 1

终于找到原因了

序列文件中的值大小不相等，有些很大，有些很小 -- 导致数据倾斜。

使用 Sequencefile 的 Hadoop Streaming 非常慢

Hadoop Streaming with a Sequencefile is very slow

hadoop

mapreduce

hadoop-streaming