Hadoop中自定义计数器

dsqzhaoyue

　　一、环境

1、hadoop 0.20.2

2、操作系统Linux

二、背景

1、最近写MR的代码，总在想统计一些错误的数据出现的次数，发现如果都写在reduce的输出里太难看了，所以想找办法专门输出一些统计数字。

2、翻看《hadoop权威指南》第8章第1节的时候发现能够自定义计数器，但都是基于0.19版本写的，好多函数都不对，改动相对较大。

3、基于上面2个理由，写个文档，记录一下。

三、实现

1、前提：写入一个文件，规范的是3个字段，“\t”划分，有2条异常，一条是2个字段，一条是4个字段，内容如下：
jim    1       28
kate     0       26
tom    1
kaka     1       22
lily     0       29      22
2、统计处不规范的数据。我没有写reduce，因为不需要输出，代码如下，先看代码
import java.io.IOException;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Counter;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;

public class MyCounter {

public static class MyCounterMap extends Mapper<LongWritable, Text, Text, Text> {

public static Counter ct = null;

protected void map(LongWritable key, Text value,
org.apache.hadoop.mapreduce.Mapper<LongWritable, Text, Text, Text>.Context context)
throws java.io.IOException, InterruptedException {
String arr_value[] = value.toString().split("\t");
if (arr_value.length > 3) {
ct = context.getCounter("ErrorCounter", "toolong");
ct.increment(1);
} else if (arr_value.length < 3) {
ct = context.getCounter("ErrorCounter", "tooshort");
ct.increment(1);
}
}
}

public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {
Configuration conf = new Configuration();
String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
if (otherArgs.length != 2) {
System.err.println("Usage: MyCounter <in> <out>");
System.exit(2);
}

Job job = new Job(conf, "MyCounter");
job.setJarByClass(MyCounter.class);

job.setMapperClass(MyCounterMap.class);

FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
}

3、启动命令如下：
hadoop jar /jz/jar/Hadoop_Test.jar jz.MyCounter /jz/* /jz/06
对于小于3个字段的采用tooshort统计，大于3个字段的采用toolong统计

4、结果如下（红色部分）：
10/08/04 17:29:15 INFO mapred.JobClient: Job complete: job_201008032120_0019
10/08/04 17:29:15 INFO mapred.JobClient: Counters: 18
10/08/04 17:29:15 INFO mapred.JobClient:   Job Counters
10/08/04 17:29:15 INFO mapred.JobClient:     Launched reduce tasks=1
10/08/04 17:29:15 INFO mapred.JobClient:     Rack-local map tasks=1
10/08/04 17:29:15 INFO mapred.JobClient:     Launched map tasks=6
10/08/04 17:29:15 INFO mapred.JobClient:   ErrorCounter
10/08/04 17:29:15 INFO mapred.JobClient:     tooshort=1
10/08/04 17:29:15 INFO mapred.JobClient:     toolong=1
10/08/04 17:29:15 INFO mapred.JobClient:   FileSystemCounters
10/08/04 17:29:15 INFO mapred.JobClient:     FILE_BYTES_READ=6
10/08/04 17:29:15 INFO mapred.JobClient:     HDFS_BYTES_READ=47
10/08/04 17:29:15 INFO mapred.JobClient:     FILE_BYTES_WRITTEN=234
10/08/04 17:29:15 INFO mapred.JobClient:   Map-Reduce Framework
10/08/04 17:29:15 INFO mapred.JobClient:     Reduce input groups=0
10/08/04 17:29:15 INFO mapred.JobClient:     Combine output records=0
10/08/04 17:29:15 INFO mapred.JobClient:     Map input records=5
10/08/04 17:29:15 INFO mapred.JobClient:     Reduce shuffle bytes=36
10/08/04 17:29:15 INFO mapred.JobClient:     Reduce output records=0
10/08/04 17:29:15 INFO mapred.JobClient:     Spilled Records=0
10/08/04 17:29:15 INFO mapred.JobClient:     Map output bytes=0
10/08/04 17:29:15 INFO mapred.JobClient:     Combine input records=0
10/08/04 17:29:15 INFO mapred.JobClient:     Map output records=0
10/08/04 17:29:15 INFO mapred.JobClient:     Reduce input records=0
四、总结
1、其实hadoop权威指南写的很清楚了，但是由于版本不一样，所以很多方法也不同，总一下，主要有以下不同：
不再需要枚举的类型、计数器名不在需要写properties文件，调用的方法在context中都封装了。
2、hadoop权威指南中写了统计百分比值，代码改改就能实现，就是一个总数除以错误数然后百分比的结果。
3、有疑问或是写的不对的地方，欢迎发邮件到dajuezhao@gmail.com