通过简单瘦身,解决Dataworks 10M文件限制问题

作者:隐林

对比前面的快速开始,可以看到除去数据准备阶段,和MR相关的,有资源的上传(add
jar步骤)和jar命令启动MR作业两步。

责任编辑:

InputUtils.addTable(TableInfo table, JobConf conf)设置了输入的表。

原标题:通过简单瘦身,解决Dataworks 10M文件限制问题

客户端先解析-classpath参数,找到main方法相关的jar包的位置

第一步:大于10M的resources通过MaxCompute CLI客户端上传,

JobConf定义了这个任务的细节,还是这个图,解释一下JobConf的其他设置项的用法。

list resources;//查看资源

客户端做的就是给服务器发起任务的调度的指令。之前提到的jar命令就是一种方法。鉴于实际上运行场景的多样性,这里介绍其他的几种常见方法:

客户端下载地址:https://help.aliyun.com/document\_detail/27971.html

生产及周期调度

摘要:
用户在DataWorks上执行MapReduce作业的时候,文件大于10M的JAR和资源文件不能上传到Dataworks,导致无法使用调度去定期执行MapReduce作业。
解决方案: jar -resources test_mr.

jar -resources mapreduce-examples.jar -classpath mapreduce-examples.jar
com.aliyun.odps.mapred.open.example.WordCount wc_in wc_out

add jar C:\test_mr\test_mr.jar -f;//添加资源

MapReduce已经有文档,用户可以参考文档使用。本文是在文档的基础上做一些类似注解及细节解释上的工作。

第三步:瘦身Jar,因为Dataworks执行MR作业的时候,一定要本地执行,所以保留个main就可以;

产品限制

用户在DataWorks上执行MapReduce作业的时候,文件大于10M的JAR和资源文件不能上传到Dataworks,导致无法使用调度去定期执行MapReduce作业。

void setResources(String
resourceNames)有和jar命令的-resources一样的功能,但是优先级高于-resources(也就是说代码里的设置优先级比较高)

解决方案:

运行环境

客户端配置AK、EndPoint:https://help.aliyun.com/document\_detail/27804.html

Q:如何实现M->R->M->R这种逻辑呢

第二步:目前通过MaxCompute
CLI上传的资源,在Dataworks左侧资源列表是找不到的,只能通过list
resources查看确认资源;

功能解读

通过上述方法,我们可以在Dataworks上跑大于10M的MR作业。

任务提交

​本文为云栖社区原创内容,未经允许不得转载。返回搜狐,查看更多

463.com 1

463.com 2

setPartitionColumns(String[]
cols)设置作业的分区列,定义了数据分配到Reducer的分配策略。

Shuffle阶段-合并排序:也是发生在Mapper上。会先对数据进行排序。比如WordCount的例子,会根据单词进行排序。排序后的合并,又称Combiner阶段,因为前面已经根据单词排序过了,相同的单词都是连在一起的。那可以把2个相邻的合并成1个。Combiner可以减少在后续Reduce端的计算量,也可以减少Mapper往Reducer的数据传输的工作量。

setOutputGroupingColumns(String[]
cols)数据在Reducer里排序好了后,是哪些数据进入到同一个reduce方法的,就是看这里的设置。一般来说,设置的和setPartitionColumns(String[]
cols)一样。可以看到二次排序的用法。

setMemoryForJVM(int mem)设置 JVM虚拟机的内存资源,单位:MB,默认值 1024.

资源表和文件可以让一些小表/小文件可以方便被读取。鉴于读取数据的限制需要小于64次,一般是在setup里读取后缓存起来,具体的例子可以参考这里

定时调度

步骤为

    map();

输入阶段:根据工作量,生成几个Mapper,把这些表的数据分配给这些Mapper。每个Mapper分配到表里的一部分记录。

不允许JNI调用

在odpscmd里执行

如果Reduce后面还需要做进一步的Reduce计算,可以用拓展MapReduce模型(简称MRR)。MRR其实就是Reduce阶段结束后,不直接输出结果,而是再次经过Shuffle后接另外一个Reduce。

比如有一张很大的表。表里有个String字段记录的是用空格分割开单词。最后需要统计所有记录中,每个单词出现的次数是多少。那整体的计算流程是

OutputUtils.addTable(TableInfo table, JobConf
conf)设置了输出的表。多路输入输出可以参考这里

在JAVA代码里直接调用MapReduce作业,可以通过设置SessionState.setLocalRun(false); 实现,具体可以参考这里

Reduce阶段:Reducer拿前面已经排序好的输入,相同的单词的所有输入进入同一个Redue循环,在循环里,做个数的累加。

}

wc_in wc_out是传给main方法的参数,通过解析main方法传入参数String[]
args获得这个参数

输入数据

在一个Mapper里,只会读一张表,不同的表的数据会在不同的Mapper
worker上运行,所以可以用示例里的这个方法先获得这个Mapper读的是什么表。

Reduce阶段

-f和-e一样,只是把命令写到文件里,然后用odpscmd -f
xxx.sql引用这个文件,那这个文件里的多个指令都会被执行。

客户端发起add jar/add
file等资源操作,把在客户端的机器(比如我测试的时候是从我的笔记本)上,运行任务涉及的资源文件传到服务器上。这样后面运行任务的时候,服务器上才能有对应的代码和文件可以用。如果以前已经传过了,这一步可以省略。

无法访问外部数据源(不能当爬虫,不能读RDS等)

A:在Reduce代码里直接嵌套上Map的逻辑就可以了,把第二个M的工作在前一个R里完成,而不是作为计算引擎调度层面上的一个单独步骤,比如

Map/Reduce

setMapOutputKeySchema(Column[] schema)设置 Mapper 输出到 Reducer 的
Key 行属性。

setCombinerClass(Class theClass)设置作业的 combiner。

这里的/JarPath/mapreduce-examples.jar的路径要替换成本地实际的文件路径。这个命令能把本地的jar包传到服务器上,-f是如果已经有同名的jar包就覆盖,实际使用中对于是报错还是覆盖需要谨慎考虑。

沙箱是MaxCompute的一套安全体系,使得在MaxCompute上运行的作业无法获得其他用户的信息,也无法获得系统的一些信息。主要包括以下几点,完整的列表可以参考文档

如果在odpscmd的配置文件里已经配置好了,那只需要写-e的部分。

com.aliyun.odps.mapred.open.example.WordCount wc_in wc_out`

大数据开发套件可以配置MapReduce作业。

详细的SDK的文档,可以在Maven里下载。这是下载地址

MapReduce

前言

setMapOutputValueSchema(Column[] schema)设置 Mapper 输出到 Reducer 的
Value 行属性。和上个设置一起定义了Mapper到Reducer的数据格式。

463.com,其他限制

安全沙箱

相关文章