解决Hadoop JobConf限制为5M的问题

273次阅读

共计 7690 个字符，预计需要花费 20 分钟才能阅读完成。

我们的业务是要使用 mongodb 的 Hadoop driver 处理输出。我们重写的 mongodbInputFormat 的时候传递数据的时候是把数据写入 conf，然后再从 mongoSplitter 里面里面从 conf 里面读出来。比如下面这样：

把数据放入数据 conf：

List<Long> tagsUrns =null;
//tagUrns 赋值 …..
conf.set(“tagUrns”,
ObjectSerializer.serialize((Serializable) tagsUrns));

在 mapper,reduce, 或者 mongoSpiltter 里拿出 conf 里的数据：

List<Long> tagUrns = (List<Long>) ObjectSerializer
.deserialize(context.getConfiguration().get(“tagUrns”));

由于 conf 只能放入 boolean、int、string 的值，而我需要给 hadoop Configuration 放入的是 list 或者其他对象，所以需要用到一个序列化工具类。

序列化工具类代码:

import org.apache.commons.logging.Log;
import org.apache.commons.logging.LogFactory;

import Java.io.*;

public class ObjectSerializer {

private static final Log log = LogFactory.getLog(ObjectSerializer.class);

public static String serialize(Serializable obj) throws IOException {
if (obj == null)
return “”;
try {
ByteArrayOutputStream serialObj = new ByteArrayOutputStream();
ObjectOutputStream objStream = new ObjectOutputStream(serialObj);
objStream.writeObject(obj);
objStream.close();
return encodeBytes(serialObj.toByteArray());
} catch (Exception e) {
throw new IOException(“Serialization error: ” + e.getMessage(), e);
}
}

public static Object deserialize(String str) throws IOException {
if (str == null || str.length() == 0)
return null;
try {
ByteArrayInputStream serialObj = new ByteArrayInputStream(
decodeBytes(str));
ObjectInputStream objStream = new ObjectInputStream(serialObj);
return objStream.readObject();
} catch (Exception e) {
throw new IOException(“Deserialization error: ” + e.getMessage(), e);
}
}

public static String encodeBytes(byte[] bytes) {
StringBuffer strBuf = new StringBuffer();

for (int i = 0; i < bytes.length; i++) {
strBuf.append((char) (((bytes[i] >> 4) & 0xF) + ((int) ‘a’)));
strBuf.append((char) (((bytes[i]) & 0xF) + ((int) ‘a’)));
}

return strBuf.toString();
}

public static byte[] decodeBytes(String str) {
byte[] bytes = new byte[str.length() / 2];
for (int i = 0; i < str.length(); i += 2) {
char c = str.charAt(i);
bytes[i / 2] = (byte) ((c – ‘a’) << 4);
c = str.charAt(i + 1);
bytes[i / 2] += (c – ‘a’);
}
return bytes;
}

}

但是当我放入的数据太大时，运行 hadoop 任务时报错，错误信息：

解决 Hadoop JobConf 限制为 5M 的问题

错误信息说明 hadoop 的 conf 是有限制的，查询下发现限制为 5M:

解决 Hadoop JobConf 限制为 5M 的问题

所以当时就懵了。这不从 conf 传入，好像又拿不到。最后想着能不能从 hdfs 文件直接读数据文件。但是我的数据必须在 mongospliter 里面获取数据，而这里只能拿到 conf。最后发现 hadoop 获取 FileSystem 方式为：

@Resource(name = “hadoopConfiguration”)
private Configuration configuration = null;

………..

fileSystem = FileSystem.get(configuration);

更多详情见请继续阅读下一页的精彩内容：http://www.linuxidc.com/Linux/2013-11/92407p2.htm

推荐阅读：

Hadoop 2.0 安装向导 (0.23.x) http://www.linuxidc.com/Linux/2012-05/61463.htm

Hadoop 1.2.1 单节点安装 (Single Node Setup) 步骤 http://www.linuxidc.com/Linux/2013-08/89377.htm

在 CentOS 上安装 Hadoop http://www.linuxidc.com/Linux/2013-08/88600.htm

Ubuntu 12.04 安装 Hadoop http://www.linuxidc.com/Linux/2013-08/88187.htm

CentOS 6.3 x86_64 安装与配置 Hadoop-1.0 http://www.linuxidc.com/Linux/2013-07/87959.htm

Hadoop 入门 –Hadoop2 伪分布式安装 http://www.linuxidc.com/Linux/2013-06/86403.htm

Hadoop2.2.0 单节点安装及测试 http://www.linuxidc.com/Linux/2013-10/91911.htm

查看发现这个 configuration 属于 package org.apache.Hadoop.conf:

解决 Hadoop JobConf 限制为 5M 的问题

查看了下 mongodb 里面字段的 configuration 也是属于 package org.apache.hadoop.conf:

解决 Hadoop JobConf 限制为 5M 的问题

所以就大胆的想着在 mongoSplitter 里面构造 FileSystem 直接去读文件获取，因为对 hadoop 不是很熟悉，而 mongodb 的 driver 里 mongoSplitter 也是在 MongoInputFormat 里面调用的，所以担心这里的 conf 并不能获得 hadoop 集群的 hdfs，所以给 conf 里面传入了一个字符串 dataPath 来指定需要读取的文件路径。然后读取：

FileSystem fileSystem = null;

try {
fileSystem = FileSystem.get(mongoConfig .conf);
} catch (IOException e) {
log.warn(“ 无法获得 fileSystem…….”);
}
FSDataInputStream hdfsInStream = null;
BufferedReader bufferedReader = null;
try {

// 打开文件流
hdfsInStream = fileSystem.open(new Path(mongoConfig.conf.get(“dataPath”)));

bufferedReader = new BufferedReader(new InputStreamReader(
hdfsInStream, “UTF-8”));
String line = null;
while ((line = bufferedReader.readLine()) != null) {
try {
if (StringUtils.isNotBlank(line)) {

System.out.println(line);

}
} catch (Exception e) {
log.warn(ExceptionUtils.getFullStackTrace(e));
continue;
}
}
line = null;

} catch (Exception e) {
log.warn(ExceptionUtils.getFullStackTrace(e));
} finally {
try {
if (bufferedReader != null) {
bufferedReader.close();
}
if (hdfsInStream != null) {
hdfsInStream.close();
}
} catch (IOException e) {
log.warn(“ 关闭流时异常：” + ExceptionUtils.getFullStackTrace(e));
}
}

上面没有关闭 fileSystem 是因为不能关闭他，如果关闭了其他 hadoop 获取 hdfs 的流都会被关闭，调用会报空指针。应该是全局唯一的。

最后发现是可以的。也就是说 hadoop 在调用 inputFormat 调用的 getSplitter 方法时传入的 jobContext 已经包含了 hadoop 集群的信息，所以可以在自己实现的 mongoSplitter 方法里使用 FileSystem 读取 hdfs 数据，也解决了因为 conf 限制的问题。

@Override
public List<InputSplit> getSplits(JobContext context) {
final Configuration hadoopConfiguration = context.getConfiguration();
final MongoSimpleConfig conf = new MongoSimpleConfig(hadoopConfiguration);
return MongoSimpleSplitter.calculateSplits(conf);
}

更多 Hadoop 相关信息见Hadoop 专题页面 http://www.linuxidc.com/topicnews.aspx?tid=13

我们的业务是要使用 mongodb 的 Hadoop driver 处理输出。我们重写的 mongodbInputFormat 的时候传递数据的时候是把数据写入 conf，然后再从 mongoSplitter 里面里面从 conf 里面读出来。比如下面这样：

把数据放入数据 conf：

List<Long> tagsUrns =null;
//tagUrns 赋值 …..
conf.set(“tagUrns”,
ObjectSerializer.serialize((Serializable) tagsUrns));

在 mapper,reduce, 或者 mongoSpiltter 里拿出 conf 里的数据：

List<Long> tagUrns = (List<Long>) ObjectSerializer
.deserialize(context.getConfiguration().get(“tagUrns”));

由于 conf 只能放入 boolean、int、string 的值，而我需要给 hadoop Configuration 放入的是 list 或者其他对象，所以需要用到一个序列化工具类。

序列化工具类代码:

import org.apache.commons.logging.Log;
import org.apache.commons.logging.LogFactory;

import Java.io.*;

public class ObjectSerializer {

private static final Log log = LogFactory.getLog(ObjectSerializer.class);

public static String serialize(Serializable obj) throws IOException {
if (obj == null)
return “”;
try {
ByteArrayOutputStream serialObj = new ByteArrayOutputStream();
ObjectOutputStream objStream = new ObjectOutputStream(serialObj);
objStream.writeObject(obj);
objStream.close();
return encodeBytes(serialObj.toByteArray());
} catch (Exception e) {
throw new IOException(“Serialization error: ” + e.getMessage(), e);
}
}

public static Object deserialize(String str) throws IOException {
if (str == null || str.length() == 0)
return null;
try {
ByteArrayInputStream serialObj = new ByteArrayInputStream(
decodeBytes(str));
ObjectInputStream objStream = new ObjectInputStream(serialObj);
return objStream.readObject();
} catch (Exception e) {
throw new IOException(“Deserialization error: ” + e.getMessage(), e);
}
}

public static String encodeBytes(byte[] bytes) {
StringBuffer strBuf = new StringBuffer();

for (int i = 0; i < bytes.length; i++) {
strBuf.append((char) (((bytes[i] >> 4) & 0xF) + ((int) ‘a’)));
strBuf.append((char) (((bytes[i]) & 0xF) + ((int) ‘a’)));
}

return strBuf.toString();
}

public static byte[] decodeBytes(String str) {
byte[] bytes = new byte[str.length() / 2];
for (int i = 0; i < str.length(); i += 2) {
char c = str.charAt(i);
bytes[i / 2] = (byte) ((c – ‘a’) << 4);
c = str.charAt(i + 1);
bytes[i / 2] += (c – ‘a’);
}
return bytes;
}

}

但是当我放入的数据太大时，运行 hadoop 任务时报错，错误信息：

解决 Hadoop JobConf 限制为 5M 的问题

错误信息说明 hadoop 的 conf 是有限制的，查询下发现限制为 5M:

解决 Hadoop JobConf 限制为 5M 的问题

所以当时就懵了。这不从 conf 传入，好像又拿不到。最后想着能不能从 hdfs 文件直接读数据文件。但是我的数据必须在 mongospliter 里面获取数据，而这里只能拿到 conf。最后发现 hadoop 获取 FileSystem 方式为：

@Resource(name = “hadoopConfiguration”)
private Configuration configuration = null;

………..

fileSystem = FileSystem.get(configuration);

更多详情见请继续阅读下一页的精彩内容：http://www.linuxidc.com/Linux/2013-11/92407p2.htm

推荐阅读：

Hadoop 2.0 安装向导 (0.23.x) http://www.linuxidc.com/Linux/2012-05/61463.htm