Hadoop优化清理本地temp临时文件方式

当launch一个job到 hadoop 集群，hadoop集群中的 TaskTracker（TT），在从一次heartbeat中接收到 JobTracker（JT）的cmd后，TT会在自己本地机器上运行一些task进程，以完成这个job的某些部分的 数据 处理。在task运行过程中，或者 运行完成后，总是会或多或少的产生一些中间结果，或者jobCache的数据，这些数据通常都需要向TT的本地 文件  系统 中写，写这些数据的目录是通过 hadoop的TT进程启动时在 hadoop-site.xml 中的 mapred.local.dir 选项来决定的。比如该配置选项如下：

<property>
<name>mapred.local.dir</name>
<value>/disk10/mapred/local,/disk11/mapred/local,/disk12/mapred/local,/disk13/mapred/local,/disk14/mapred/local</value>
</property>

那么其实这个TT的所有task，就有5个mapred的local目录写入点可供选择，通常每个 task运行之前，会从这些写入点中轮询的选择下一个，然后该task的中间结果等数据就往这个目录下写。写入的时候也不是直接就写到 这些写入点的根下去了，而是根据该task所属的jobid，taskid来创建相应的目录，并往这些目录中写。因为如果不这样，那么许多的task往写入点的根下写数据，并且文件名一样，就会乱了套了。在写入点中的对应的jobid和taskid创建的目录结构，TT的创建策略可以从其代码中看出来：

static String getLocalTaskDir(String jobid,
String taskid,
boolean isCleanupAttempt) {
String taskDir = getLocalJobDir(jobid) + Path.SEPARATOR + taskid;
if (isCleanupAttempt) {
taskDir = taskDir + ".cleanup";
}
return taskDir;
}

static String getLocalJobDir(String jobid) {
return getJobCacheSubdir() + Path.SEPARATOR + jobid;
}

static String getJobCacheSubdir() {
return TaskTracker.SUBDIR + Path.SEPARATOR + TaskTracker.JOBCACHE;
}

而
TaskTracker.SUBDIR = "taskTracker"
Path.SEPARATOR = “/”
TaskTracker.JOBCACHE = “jobcache”

所以，加入某个task得到的local写入点是 /disk10/mapred/local，那么它真正的local写入目录就是 ： /disk10/mapred/local/taskTracker/jobcache/${jobid}/${taskid}/

这里要讲的是：当一个TT运行的时间非常的长，那么在其各个写入点下的临时文件或者垃圾文件就会越来越多，当这些数据越来越多，文件和目录越来越多时，TT和其上面运行的tasks就会受到影响，而致使job越来越慢。究其根源，可以在TT的源码中发现，其中有一个cleanup（boolean）的方法，这个方法用来对写入点下的临时文件和中间结果文件进行清理。但是问题在于，居然有两个方法在调用它，分别是：
startNewTask和 taskFinished()，也就是说，每当有一个task在TT上启动 ，或者每当有一个task运行结束，都会调用这个cleanup方法，而当TT运行时间太长时，这个cleanup的操作就会越来越慢，这就是导致通常的 hadoop集群总是会越跑越慢的原因之一。

找到了问题的根源， 解决 起来就比较好办了，在startNewTask()和 taskFinished() 方法的时候，不调用cleanup() 方法，以节省task启动的开销，并在TT中启动一个专门用来清理这些数据目录的线程，在可配置的时间内，如果某些目录和文件的创建和修改时间超过了某个阈值，就删除这些目录和文件，问题就可以解决。