Hadoop The Definitive Guide 2nd Edition 读书笔记4
MapReduce工作流程：
[b]job提交流程：[/b]
[img]http://dl.iteye.com/upload/attachment/366883/b2e3cd06-379d-32a6-ae94-1b5256509ad8.png[/img]
1.client节点在提交job之前，先要求JobTracker分配一个新的job id；
2.检查输出路径是否已经存在，如果存在则报错；
3.将job划分成inputsplit，mapreduce程序是以inputsplit作为单位执行的，这些splits会拷贝到HDFS中；
4.将运行job所需的资源，如jar文件、配置文件、inputsplits等上传到HDFS以jobid命名的目录中；
5.client节点通知jobtracker可以运行job。
在提交流程中将job分解成inputsplits并存到HDFS中，这些splits在map操作的时候直接作为map的输入。
[b]job初始化流程：[/b]
当jobtracker收到job提交请求后（通过调用jobsubmit），会将这个job放入一个内部的队列等待job调度器的调度，当调度到这个job后，会将其从队列中摘除并对其进行初始化。job的初始化会创建一个封装了tasks、任务状态和执行日志的对象。
job调度器会为每一个split创建一个map任务，而reduce任务的数量是人工指定的，在以前的笔记中我们说过，建立map任务的时候会尽量保证每一个map任务执行所需要的数据存储在本地，所以创建map任务的时候会以本地优先的原则，如果不能再slpit本地创建，会在离存储这个split最近的节点上创建map任务。
[b]任务分配：[/b]
每个tasktracker都会周期性的向jobtracker发送心跳通知jobtracker自己是否准备好接受一个新的任务的执行，如果准备好，则jobtracker分配一个任务，任务的执行结果通过心跳的返回值返回。
jobtracker是这样为tasktracker分配任务（task）的：首先从job队列中选择一个job，然后再这个job相关的tasks中为tasktracker选择一个task。
每个tasktracker可以执行的map任务和reduce任务的总数量是固定的，这个数量被称为插槽数，它是根据cpu核数和内存大小确定的。注意tasktracker会先填充map任务的插槽。将比如一台机器cpu是四核的，这台机器可能能并行执行两个map任务或者两个reduce任务，对于这个tasktracker，jobtracker会先选择一个map任务填充空的map插槽，map插槽满了后，再填充reduce插槽。
JobTracker在为takdtracker调度map任务的时候，会考虑这个map任务需要的split的位置，jobtracker会尽量选择与split距离最近的位置，首先尝试在split所在的节点填充map任务插槽，失败后悔在弄一机架的不同节点尝试，否则在不同机架上填充。而对于reduce任务，由于reduce任务所需的数据都是map任务的结果分区后通过网络传输的，大部分数据都不在本地，所以只需要顺序的分配reduce任务即可。
[b]任务执行：[/b]
既然tasktracker已经获得task了，就可以开始执行任务了。首先tasktracker会从HDFS拷贝执行需要的资源文件，包括jar文件等，将非jar文件放到一个工作目录中，然后创建一个taskrunner实例来运行task。
为了防止用户定义的map任务和reduce任务影响到tasktracker，TaskRunner会为每个task创建一个新的jvm来运行任务。
[b]进展与状态更新：[/b]
在job的运行过程中，用户需要获得job处理过程中的信息反馈，在hadoop中一个job和他的每个task都有一个status，包括job的状态、task的状态、mapreduce的任务进展、计数器的值等等。
在一个任务的运行过程中，任务以任务完成的百分比来保持着对任务进展的追踪，任务的进展程度被称为progress。对于map任务，progress是输入数据被处理的百分比。对于reduce任务，progress跟混洗的三个阶段相关（后面会讲到混洗分为三个阶段：copy、sort、reduce）。比如一个reduce任务执行到reduce阶段，reduce阶段已经处理了一半的输入，那么progress就是5/6,因为copy阶段和sort阶段都已完成，各占1/3，reduce阶段完成了一半，占1/6，加起来就是5/6。
[b]容错机制：[/b]
下面我们看一下hadoop是怎样处理任务执行过程的发生的错误的。
1.任务失败：
最常见的出错情况是用户自定义的map函数和reduce函数在执行过程中抛出runtimeexception，当异常被抛出后，JVM子进程会想父进程报告错误，并写入到用户日志中，tasktracker在日志中标记这个任务失败，然后释放这个任务插槽等待下一个任务的执行。
还有一种错误是JVM子进程异常终止：执行任务的JVM子进程会不断的像父进程报告任务执行的信息，当执行任务的JVM子进程突然异常终止后，父进程不会收到终止进程的报告信息，如果父进程10分钟之内收不到子进程的报告信息，这个任务被认为执行失败。
当jobtracker被通知一个任务执行失败，jobtracker重新调度这个任务，并且jobtracker尽量保证这个任务不会被调度到上一个执行失败的tasktracker中。当一个任务失败4次后，整个job执行失败。
对于一些job来说，允许一些任务的失败，我们可以通过设置mapred.max.map.failures.percent和mapred.max.reduce.failures.percent来说明允许失败的任务百分比，任务失败量没达到这个百分比时job不会终止。
2.tasktracker崩溃
当tasktracker当机或者执行速度缓慢的时候，会停止向jobtracker发送心跳信息。当jobtracker 10分钟之内没有收到任何这个tasktracker发送的心跳信息后，jobtracker会通知这个tasktracker从调度队列中将这个节点删除，这个节点执行的所有task都会被重新调度。
[b]job调度：[/b]
Hadoop中有多种调度算法可供选择，主要有FIFO调度算法、公平调度算法和能力调度算法。默认算法是FIFO调度。
FIFO不用多说。
公平算法的目标是给每个用户公平的分享集群的计算能力。每个用户（按用户名）都有自己的资源池(poll)，用户将要提交的job放在自己的池中，可以指定一个pool需要的最少的插槽数。在公平调度算法下每个用户获得的集群计算能力是相同的，算法是按map任务插槽数和reduce任务插槽数来调度的。每个pool中的jobs平均分配获得的计算能力。如下图：
[img]http://dl.iteye.com/upload/attachment/367599/81ed1023-0cc0-326a-b1f2-feb43e82329a.png[/img]
当一个pool占用的插槽数少于设置的值，就会抢占超过插槽数的那个pool让其释放多占用的那些插槽。
公平调度算法的库在contrib/fairscheduler目录下，要使用这个算法要将jar文件拷贝到lib目录中，并且设置mapred.jobtracker.taskScheduler的值为org.apache.hadoop.mapred.FairScheduler。
能力调度算法中，每个用户对应一个队列（类似于pool），每个队列被分配一个能力值（插槽数），但是每个队列中都是通过FIFO调度的，然后以每个队列为单位来执行公平调度算法。
能力调度算法实际上是允许不同用户或组织以FIFO的形式分割集群的计算能力（一个用户或组织对应一个队列），而公平算法是保证每个pool获得的计算能力（插槽数），在pool中的job不是按FIFO调度的，而是平均分配pool获得的插槽（也可以设置pool中按FIFO调度，这样就与能力调度算法一样了）。
[b]混洗和排序:[/b]
在mapreduce过程中，map输出的结果默认是按照key进行排序的，这个排序的过程加上与将map的输出结果传送到reducer作为输入的过程统称为混洗。理解混洗的过程对于理解整个hadoop很有帮助，书中也提到混洗就是hadoop发挥它威力的地方。
1. map side:
map函数执行后会不断的产生结果，这些结果不是简单的写入磁盘的。每个map任务都有一个循环队列，map输出结果首先会存放在队列中，当队列中存放的内容超过一个门限值的时候（通过io.sort.spill.percent设置，默认为0.8, 80%），一个后台线程将队列中的内容写到磁盘中，此时map结果的写入到队列的过程并没有停止，当队列慢了以后，map现成会被阻塞直到队列中所有的数据都写入到磁盘。
在队列的内容被写入磁盘之前，线程首先将数据进行分组，分组的自然是按照最终会传送到哪个reducer进行。对于每个组，线程会对组中的数据按key排序，如果声明了combiner函数，在此时调用，然后将结果写入到一个文件中。
每次队列达到门限值的时候，都会产生一个这样的文件，文件达到一定数目或map任务要结束的时候，这些文件会merge成一个已经分组的有序的文件，如果声明了combiner函数，并且至少有三个这样的中间文件进行merge，就会调用此combiner。最终将这个已分区的有序的文件写入磁盘中。
2. reduce side:
在reduce side，混洗分为三个阶段：拷贝阶段、排序（归并）阶段、reduce阶段
reduce task默认有5个线程来拷贝已完成的map任务的相应分区。当map任务完成并将最终的那个文件写入到磁盘后，拷贝就会开始，reduce task不会等所有的map task都完成，而是有map task完成后，拷贝阶段就开始。reduce task将map task的结果通过http协议传送到队列中，当超过队列规定的容量或者已经获得从map task结果的数目达到门限值，就开始将这些数据写入磁盘中。
当所有的map task的结果都拷贝结束后，reduce task进入排序（归并）阶段，这个阶段会按照设置的归并因子来进行归并，比如有50个map结果，归并因子是10，则会归并5次，每次将10个文件归并为一个文件。
进行一次归并后，便进入到reduce阶段，将上阶段生成的多个文件作为reduce的输入，进行reduce操作，获得的结果进行最后一个归并，得到最终结果并将结果写入到HDFS中。
至此整个mapreduce的执行过程结束了，整个过程书上的图描述的很清楚：
[img]http://dl.iteye.com/upload/attachment/367721/d2f33145-7565-3525-a5a1-a598b34fcb53.png[/img]
我们可以优化混洗的过程来优化整个job的性能。在map side，我们应该尽量避免map的结果不断的写入到磁盘，可以提高io.sort.mb来增加循环队列的容量；在reduce side，应尽量保证中间数据都在内存中，我们可以设置接受map结果的门限值为0和设置缓冲区溢出百分比为100%来获得最佳性能。
[b]任务执行控制：[/b]
上面我们介绍了mapreduce的执行过程，下面我们看一下用户可以通过那些手段来控制执行过程。
1.speculative execution
通过上面的学习，我们知道mapduce模型是将job分解成tasks来并行执行这些任务，但是如果其中一个task执行速度缓慢，将会影响到整个job。
当一个job被分解成成千上万个tasks，由于硬件或软件的原因，其中有一部分task执行缓慢是很正常的现象。但是job是可以正常执行，只不过速度要慢很多。在这种情况下，hadoop不会去诊断和修复执行缓慢的任务，而是尝试去发现执行缓慢的任务并运行另一个相同的任务作为备份。这种处理方式被称为speculative execution.
注意speculative execution并不是同时运行两个相同task，来对比运行效率，这样会两非集群的计算资源。
在所有任务运行之后，如果有任务执行了很长的时间（至少一分钟），但是并没有像其他任务那样很大的进展（progress），这是就为这个任务新建一个新的speculative任务，当这两个向东的任务其中一个结束后，另一个就会被杀死。
speculative execution默认虽然speculative execution的目的是提高job的执行效率，但是在一个很忙的集群中，speculative execution是很费计算资源的，所以我们可以关闭他。
2.JVM重用
默认下，任务执行的JVM是执行时创建的，但是对于那些很小的任务来说是很浪费资源的，这时就可以启动JVM重用功能。
3.跳过不合法的记录
在大的数据集中，有很多记录的格式是不合法的，如果map或reduce遇到不合法的记录而抛出异常，会导致任务失败从而使整个job执行失败，这是我们可以利用hadoop中的skipping mode来自动的跳过不合法记录。
skipping mode被打开后，当遇到不合法记录导致task失败时，tasktracker会重新执行任务并跳过导致异常的记录，由于重新启动任务会占用很多资源，所以一个任务失败两个后才会启动skipping mode。所以skipping mode被打开后含非法记录的map任务执行顺序是这样的：
失败一次；
失败两次；
skipping mode被打开，失败第三次，并记录引起异常的记录；
第四次成功。
注意默认skipping mode值会发现并跳过一个不合法记录，可以设置mapred.map.max.attempts来增加跳过个数。
默认skipping mode是关闭的，如果我们要打开skipping mode，必须用老的api进行job的提交，并且要添加一行SkipBadRecords.setMapperMaxSkipRecords(conf, 1);第二个参数就是可跳跃的非法记录数。下面我们写一个程序做测试：
首先处理一下输入数据，在第一行添加一行非法记录：
[img]http://dl.iteye.com/upload/attachment/368033/4cb316dd-642f-3fb0-b08c-50ffcc2d18f4.png[/img]
map程序：
reduce程序：
执行程序:
看一下控制台输出：
[img]http://dl.iteye.com/upload/attachment/368047/de70114f-7ebb-3a55-80ed-80368710b408.png[/img]
可以看到会map任务会失败三次，前两个失败后，会打开skipping mode，打开后第三次失败会记录那个引起异常的记录，第四次成功了。
执行完输出目录：
[img]http://dl.iteye.com/upload/attachment/368054/a2c19cc7-b3c9-3fcc-9d0e-07c889cf1faa.png[/img]
结果如下:
[img]http://dl.iteye.com/upload/attachment/368056/e3d9f266-783b-393f-a814-2c8b81918910.png[/img]
输出目录总的skip文件保存被跳过的记录，这个文件时sequence file，可以在控制台看一下这个文件的内容：
[img]http://dl.iteye.com/upload/attachment/368062/9b485e7e-eb7a-39b6-b782-32d323675209.png[/img]
[b]job提交流程：[/b]
[img]http://dl.iteye.com/upload/attachment/366883/b2e3cd06-379d-32a6-ae94-1b5256509ad8.png[/img]
1.client节点在提交job之前，先要求JobTracker分配一个新的job id；
2.检查输出路径是否已经存在，如果存在则报错；
3.将job划分成inputsplit，mapreduce程序是以inputsplit作为单位执行的，这些splits会拷贝到HDFS中；
4.将运行job所需的资源，如jar文件、配置文件、inputsplits等上传到HDFS以jobid命名的目录中；
5.client节点通知jobtracker可以运行job。
在提交流程中将job分解成inputsplits并存到HDFS中，这些splits在map操作的时候直接作为map的输入。
[b]job初始化流程：[/b]
当jobtracker收到job提交请求后（通过调用jobsubmit），会将这个job放入一个内部的队列等待job调度器的调度，当调度到这个job后，会将其从队列中摘除并对其进行初始化。job的初始化会创建一个封装了tasks、任务状态和执行日志的对象。
job调度器会为每一个split创建一个map任务，而reduce任务的数量是人工指定的，在以前的笔记中我们说过，建立map任务的时候会尽量保证每一个map任务执行所需要的数据存储在本地，所以创建map任务的时候会以本地优先的原则，如果不能再slpit本地创建，会在离存储这个split最近的节点上创建map任务。
[b]任务分配：[/b]
每个tasktracker都会周期性的向jobtracker发送心跳通知jobtracker自己是否准备好接受一个新的任务的执行，如果准备好，则jobtracker分配一个任务，任务的执行结果通过心跳的返回值返回。
jobtracker是这样为tasktracker分配任务（task）的：首先从job队列中选择一个job，然后再这个job相关的tasks中为tasktracker选择一个task。
每个tasktracker可以执行的map任务和reduce任务的总数量是固定的，这个数量被称为插槽数，它是根据cpu核数和内存大小确定的。注意tasktracker会先填充map任务的插槽。将比如一台机器cpu是四核的，这台机器可能能并行执行两个map任务或者两个reduce任务，对于这个tasktracker，jobtracker会先选择一个map任务填充空的map插槽，map插槽满了后，再填充reduce插槽。
JobTracker在为takdtracker调度map任务的时候，会考虑这个map任务需要的split的位置，jobtracker会尽量选择与split距离最近的位置，首先尝试在split所在的节点填充map任务插槽，失败后悔在弄一机架的不同节点尝试，否则在不同机架上填充。而对于reduce任务，由于reduce任务所需的数据都是map任务的结果分区后通过网络传输的，大部分数据都不在本地，所以只需要顺序的分配reduce任务即可。
[b]任务执行：[/b]
既然tasktracker已经获得task了，就可以开始执行任务了。首先tasktracker会从HDFS拷贝执行需要的资源文件，包括jar文件等，将非jar文件放到一个工作目录中，然后创建一个taskrunner实例来运行task。
为了防止用户定义的map任务和reduce任务影响到tasktracker，TaskRunner会为每个task创建一个新的jvm来运行任务。
[b]进展与状态更新：[/b]
在job的运行过程中，用户需要获得job处理过程中的信息反馈，在hadoop中一个job和他的每个task都有一个status，包括job的状态、task的状态、mapreduce的任务进展、计数器的值等等。
在一个任务的运行过程中，任务以任务完成的百分比来保持着对任务进展的追踪，任务的进展程度被称为progress。对于map任务，progress是输入数据被处理的百分比。对于reduce任务，progress跟混洗的三个阶段相关（后面会讲到混洗分为三个阶段：copy、sort、reduce）。比如一个reduce任务执行到reduce阶段，reduce阶段已经处理了一半的输入，那么progress就是5/6,因为copy阶段和sort阶段都已完成，各占1/3，reduce阶段完成了一半，占1/6，加起来就是5/6。
[b]容错机制：[/b]
下面我们看一下hadoop是怎样处理任务执行过程的发生的错误的。
1.任务失败：
最常见的出错情况是用户自定义的map函数和reduce函数在执行过程中抛出runtimeexception，当异常被抛出后，JVM子进程会想父进程报告错误，并写入到用户日志中，tasktracker在日志中标记这个任务失败，然后释放这个任务插槽等待下一个任务的执行。
还有一种错误是JVM子进程异常终止：执行任务的JVM子进程会不断的像父进程报告任务执行的信息，当执行任务的JVM子进程突然异常终止后，父进程不会收到终止进程的报告信息，如果父进程10分钟之内收不到子进程的报告信息，这个任务被认为执行失败。
当jobtracker被通知一个任务执行失败，jobtracker重新调度这个任务，并且jobtracker尽量保证这个任务不会被调度到上一个执行失败的tasktracker中。当一个任务失败4次后，整个job执行失败。
对于一些job来说，允许一些任务的失败，我们可以通过设置mapred.max.map.failures.percent和mapred.max.reduce.failures.percent来说明允许失败的任务百分比，任务失败量没达到这个百分比时job不会终止。
2.tasktracker崩溃
当tasktracker当机或者执行速度缓慢的时候，会停止向jobtracker发送心跳信息。当jobtracker 10分钟之内没有收到任何这个tasktracker发送的心跳信息后，jobtracker会通知这个tasktracker从调度队列中将这个节点删除，这个节点执行的所有task都会被重新调度。
[b]job调度：[/b]
Hadoop中有多种调度算法可供选择，主要有FIFO调度算法、公平调度算法和能力调度算法。默认算法是FIFO调度。
FIFO不用多说。
公平算法的目标是给每个用户公平的分享集群的计算能力。每个用户（按用户名）都有自己的资源池(poll)，用户将要提交的job放在自己的池中，可以指定一个pool需要的最少的插槽数。在公平调度算法下每个用户获得的集群计算能力是相同的，算法是按map任务插槽数和reduce任务插槽数来调度的。每个pool中的jobs平均分配获得的计算能力。如下图：
[img]http://dl.iteye.com/upload/attachment/367599/81ed1023-0cc0-326a-b1f2-feb43e82329a.png[/img]
当一个pool占用的插槽数少于设置的值，就会抢占超过插槽数的那个pool让其释放多占用的那些插槽。
公平调度算法的库在contrib/fairscheduler目录下，要使用这个算法要将jar文件拷贝到lib目录中，并且设置mapred.jobtracker.taskScheduler的值为org.apache.hadoop.mapred.FairScheduler。
能力调度算法中，每个用户对应一个队列（类似于pool），每个队列被分配一个能力值（插槽数），但是每个队列中都是通过FIFO调度的，然后以每个队列为单位来执行公平调度算法。
能力调度算法实际上是允许不同用户或组织以FIFO的形式分割集群的计算能力（一个用户或组织对应一个队列），而公平算法是保证每个pool获得的计算能力（插槽数），在pool中的job不是按FIFO调度的，而是平均分配pool获得的插槽（也可以设置pool中按FIFO调度，这样就与能力调度算法一样了）。
[b]混洗和排序:[/b]
在mapreduce过程中，map输出的结果默认是按照key进行排序的，这个排序的过程加上与将map的输出结果传送到reducer作为输入的过程统称为混洗。理解混洗的过程对于理解整个hadoop很有帮助，书中也提到混洗就是hadoop发挥它威力的地方。
1. map side:
map函数执行后会不断的产生结果，这些结果不是简单的写入磁盘的。每个map任务都有一个循环队列，map输出结果首先会存放在队列中，当队列中存放的内容超过一个门限值的时候（通过io.sort.spill.percent设置，默认为0.8, 80%），一个后台线程将队列中的内容写到磁盘中，此时map结果的写入到队列的过程并没有停止，当队列慢了以后，map现成会被阻塞直到队列中所有的数据都写入到磁盘。
在队列的内容被写入磁盘之前，线程首先将数据进行分组，分组的自然是按照最终会传送到哪个reducer进行。对于每个组，线程会对组中的数据按key排序，如果声明了combiner函数，在此时调用，然后将结果写入到一个文件中。
每次队列达到门限值的时候，都会产生一个这样的文件，文件达到一定数目或map任务要结束的时候，这些文件会merge成一个已经分组的有序的文件，如果声明了combiner函数，并且至少有三个这样的中间文件进行merge，就会调用此combiner。最终将这个已分区的有序的文件写入磁盘中。
2. reduce side:
在reduce side，混洗分为三个阶段：拷贝阶段、排序（归并）阶段、reduce阶段
reduce task默认有5个线程来拷贝已完成的map任务的相应分区。当map任务完成并将最终的那个文件写入到磁盘后，拷贝就会开始，reduce task不会等所有的map task都完成，而是有map task完成后，拷贝阶段就开始。reduce task将map task的结果通过http协议传送到队列中，当超过队列规定的容量或者已经获得从map task结果的数目达到门限值，就开始将这些数据写入磁盘中。
当所有的map task的结果都拷贝结束后，reduce task进入排序（归并）阶段，这个阶段会按照设置的归并因子来进行归并，比如有50个map结果，归并因子是10，则会归并5次，每次将10个文件归并为一个文件。
进行一次归并后，便进入到reduce阶段，将上阶段生成的多个文件作为reduce的输入，进行reduce操作，获得的结果进行最后一个归并，得到最终结果并将结果写入到HDFS中。
至此整个mapreduce的执行过程结束了，整个过程书上的图描述的很清楚：
[img]http://dl.iteye.com/upload/attachment/367721/d2f33145-7565-3525-a5a1-a598b34fcb53.png[/img]
我们可以优化混洗的过程来优化整个job的性能。在map side，我们应该尽量避免map的结果不断的写入到磁盘，可以提高io.sort.mb来增加循环队列的容量；在reduce side，应尽量保证中间数据都在内存中，我们可以设置接受map结果的门限值为0和设置缓冲区溢出百分比为100%来获得最佳性能。
[b]任务执行控制：[/b]
上面我们介绍了mapreduce的执行过程，下面我们看一下用户可以通过那些手段来控制执行过程。
1.speculative execution
通过上面的学习，我们知道mapduce模型是将job分解成tasks来并行执行这些任务，但是如果其中一个task执行速度缓慢，将会影响到整个job。
当一个job被分解成成千上万个tasks，由于硬件或软件的原因，其中有一部分task执行缓慢是很正常的现象。但是job是可以正常执行，只不过速度要慢很多。在这种情况下，hadoop不会去诊断和修复执行缓慢的任务，而是尝试去发现执行缓慢的任务并运行另一个相同的任务作为备份。这种处理方式被称为speculative execution.
注意speculative execution并不是同时运行两个相同task，来对比运行效率，这样会两非集群的计算资源。
在所有任务运行之后，如果有任务执行了很长的时间（至少一分钟），但是并没有像其他任务那样很大的进展（progress），这是就为这个任务新建一个新的speculative任务，当这两个向东的任务其中一个结束后，另一个就会被杀死。
speculative execution默认虽然speculative execution的目的是提高job的执行效率，但是在一个很忙的集群中，speculative execution是很费计算资源的，所以我们可以关闭他。
2.JVM重用
默认下，任务执行的JVM是执行时创建的，但是对于那些很小的任务来说是很浪费资源的，这时就可以启动JVM重用功能。
3.跳过不合法的记录
在大的数据集中，有很多记录的格式是不合法的，如果map或reduce遇到不合法的记录而抛出异常，会导致任务失败从而使整个job执行失败，这是我们可以利用hadoop中的skipping mode来自动的跳过不合法记录。
skipping mode被打开后，当遇到不合法记录导致task失败时，tasktracker会重新执行任务并跳过导致异常的记录，由于重新启动任务会占用很多资源，所以一个任务失败两个后才会启动skipping mode。所以skipping mode被打开后含非法记录的map任务执行顺序是这样的：
失败一次；
失败两次；
skipping mode被打开，失败第三次，并记录引起异常的记录；
第四次成功。
注意默认skipping mode值会发现并跳过一个不合法记录，可以设置mapred.map.max.attempts来增加跳过个数。
默认skipping mode是关闭的，如果我们要打开skipping mode，必须用老的api进行job的提交，并且要添加一行SkipBadRecords.setMapperMaxSkipRecords(conf, 1);第二个参数就是可跳跃的非法记录数。下面我们写一个程序做测试：
首先处理一下输入数据，在第一行添加一行非法记录：
[img]http://dl.iteye.com/upload/attachment/368033/4cb316dd-642f-3fb0-b08c-50ffcc2d18f4.png[/img]
map程序：
import java.io.IOException;
import org.apache.hadoop.io.DoubleWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapred.MapReduceBase;
import org.apache.hadoop.mapred.Mapper;
import org.apache.hadoop.mapred.OutputCollector;
import org.apache.hadoop.mapred.Reporter;
public class MaxTemperatureMapper extends MapReduceBase
implements Mapper {
private static final double MISSING = 99.9;
@Override
public void map(LongWritable key, Text value,
OutputCollector output, Reporter reporter)
throws IOException {
String line = value.toString();
String year = line.substring(14, 18);
double airTemperature = Double.parseDouble(line.substring(104, 108));
if (airTemperature != MISSING) {
output.collect(new Text(year), new DoubleWritable(airTemperature));
}
}
} reduce程序：
import java.io.IOException;
import java.util.Iterator;
import org.apache.hadoop.io.DoubleWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapred.MapReduceBase;
import org.apache.hadoop.mapred.OutputCollector;
import org.apache.hadoop.mapred.Reducer;
import org.apache.hadoop.mapred.Reporter;
public class MaxTemperatureReducer extends MapReduceBase
implements Reducer {
@Override
public void reduce(Text key, Iterator values,
OutputCollector output, Reporter reporter)
throws IOException {
double maxValue = Double.MIN_VALUE;
while (values.hasNext()) {
maxValue = Math.max(maxValue, values.next().get());
}
output.collect(key, new DoubleWritable(maxValue));
}
} 执行程序:
import java.io.IOException;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.DoubleWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapred.FileInputFormat;
import org.apache.hadoop.mapred.FileOutputFormat;
import org.apache.hadoop.mapred.JobClient;
import org.apache.hadoop.mapred.JobConf;
import org.apache.hadoop.mapred.SkipBadRecords;
import org.apache.hadoop.mapreduce.Job;
public class MaxTemperature {
public static void main(String[] args) {
if (args.length != 2) {
System.err.println("参数错误");
System.exit(-1);
}
try {
JobConf conf = new JobConf(MaxTemperature.class);
FileInputFormat.addInputPath(conf, new Path(args[0]));
FileOutputFormat.setOutputPath(conf, new Path(args[1]));
conf.setJobName("ProductMR");
conf.setOutputKeyClass(Text.class);
conf.setOutputValueClass(DoubleWritable.class);
conf.setMapperClass(MaxTemperatureMapper.class);
conf.setReducerClass(MaxTemperatureReducer.class);
// 打开skipping mode
SkipBadRecords.setMapperMaxSkipRecords(conf, 1);
JobClient.runJob(conf);
} catch (IOException e) {
// TODO Auto-generated catch block
}
}
}看一下控制台输出：
[img]http://dl.iteye.com/upload/attachment/368047/de70114f-7ebb-3a55-80ed-80368710b408.png[/img]
可以看到会map任务会失败三次，前两个失败后，会打开skipping mode，打开后第三次失败会记录那个引起异常的记录，第四次成功了。
执行完输出目录：
[img]http://dl.iteye.com/upload/attachment/368054/a2c19cc7-b3c9-3fcc-9d0e-07c889cf1faa.png[/img]
结果如下:
[img]http://dl.iteye.com/upload/attachment/368056/e3d9f266-783b-393f-a814-2c8b81918910.png[/img]
输出目录总的skip文件保存被跳过的记录，这个文件时sequence file，可以在控制台看一下这个文件的内容：
[img]http://dl.iteye.com/upload/attachment/368062/9b485e7e-eb7a-39b6-b782-32d323675209.png[/img]