如标题中所述，当我执行我的 Hadoop 程序（并在本地模式下对其进行调试）时，会发生以下情况：
1. 我的测试数据中的所有 10 条 csv 行都在 Mapper、Partitioner 和映射步骤之后调用的 RawComperator(OutputKeyComparatorClass) 中正确处理。但是 OutputValueGroupingComparatorClass 和 ReduceClass 的函数不会在之后执行。
2. 我的应用程序如下所示。（由于空间限制，我省略了我用作配置参数的类的实现，直到有人有一个想法，涉及它们）：
public class RetweetApplication {
public static int DEBUG = 1;
static String INPUT = "/home/ema/INPUT-H";
static String OUTPUT = "/home/ema/OUTPUT-H "+ (new Date()).toString();
public static void main(String[] args) {
JobClient client = new JobClient();
JobConf conf = new JobConf(RetweetApplication.class);
if(DEBUG > 0){
conf.set("mapred.job.tracker", "local");
conf.set("fs.default.name", "file:///");
conf.set("dfs.replication", "1");
}
FileInputFormat.setInputPaths(conf, new Path(INPUT));
FileOutputFormat.setOutputPath(conf, new Path(OUTPUT));
//conf.setOutputKeyClass(Text.class);
//conf.setOutputValueClass(Text.class);
conf.setMapOutputKeyClass(Text.class);
conf.setMapOutputValueClass(Text.class);
conf.setMapperClass(RetweetMapper.class);
conf.setPartitionerClass(TweetPartitioner.class);
conf.setOutputKeyComparatorClass(TwitterValueGroupingComparator.class);
conf.setOutputValueGroupingComparator(TwitterKeyGroupingComparator.class);
conf.setReducerClass(RetweetReducer.class);
conf.setOutputFormat(TextOutputFormat.class);
client.setConf(conf);
try {
JobClient.runJob(conf);
} catch (Exception e) {
e.printStackTrace();
}
}
}
3.我得到以下控制台输出（对不起格式，但不知何故此日志没有正确格式化）：
12/05/22 03:51:05 信息 mapred.MapTask：io.sort.mb = 100 12/05/22 03:51:05 信息 mapred.MapTask：数据缓冲区 = 79691776/99614720
22 年 12 月 5 日 03:51:05 信息 mapred.MapTask：记录缓冲区 = 262144/327680
22 年 12 月 5 日 03:51:06 信息 mapred.JobClient：地图 0% 减少 0%
12/05/22 03:51:11 信息 mapred.LocalJobRunner：文件：/home/ema/INPUT-H/tweets：0+967 12/05/22 03:51:12 信息 mapred.JobClient：地图减少 39% 0%
12/05/22 03:51:14 INFO mapred.LocalJobRunner: file:/home/ema/INPUT-H/tweets:0+967 12/05/22 03:51:15 INFO mapred.MapTask: 开始刷新地图输出
22 年 12 月 5 日 03:51:15 信息 mapred.MapTask：完成溢出 0
22 年 12 月 5 日 03:51:15 信息 mapred.Task：Task:attempt_local_0001_m_000000_0 已完成。并且正在提交中
12/05/22 03:51:15 INFO mapred.JobClient: 地图 79% 减少 0%
12/05/22 03:51:17 信息 mapred.LocalJobRunner: 文件:/home/ema/INPUT-H/tweets:0+967
12/05/22 03:51:17 信息 mapred.LocalJobRunner: 文件:/home/ema/INPUT-H/tweets:0+967
22 年 12 月 5 日 03:51:17 信息 mapred.Task：任务 'attempt_local_0001_m_000000_0' 已完成。
12/05/22 03:51:17 信息 mapred.Task：使用 ResourceCalculatorPlugin：org.apache.hadoop.util.LinuxResourceCalculatorPlugin@35eed0
22 年 12 月 5 日 03:51:17 信息 mapred.ReduceTask：ShuffleRamManager：MemoryLimit=709551680，MaxSingleShuffleLimit=177387920
22 年 12 月 5 日 03:51:17 信息 mapred.ReduceTask：attempt_local_0001_r_000000_0 线程已启动：用于合并磁盘文件的线程
22 年 12 月 5 日 03:51:17 信息 mapred.ReduceTask：attempt_local_0001_r_000000_0 线程等待：用于合并磁盘文件的线程
22 年 12 月 5 日 03:51:17 信息 mapred.ReduceTask：attempt_local_0001_r_000000_0 线程已启动：用于合并内存文件的线程
22 年 5 月 12 日 03:51:17 信息 mapred.ReduceTask：attempt_local_0001_r_000000_0 需要另外 1 个地图输出，其中 0 已经在进行中 12/05/22 03:51:17 信息 mapred.ReduceTask：attempt_local_0001_r_000000_0 计划的 0 输出（ 0 个慢速主机和 0 个重复主机）
22 年 12 月 5 日 03:51:17 信息 mapred.ReduceTask：attempt_local_0001_r_000000_0 线程已启动：用于轮询地图完成事件的线程
12/05/22 03:51:18 信息 mapred.JobClient：映射 100% 减少 0% 12/05/22 03:51:23 信息 mapred.LocalJobRunner：减少 > 复制 >
粗体标记线从这一点开始不断重复。
4. 在映射器看到每个元组后，许多打开的进程都处于活动状态：
RetweetApplication (1) [Remote Java Application]
OpenJDK Client VM[localhost:5002]
Thread [main] (Running)
Thread [Thread-2] (Running)
Daemon Thread [communication thread] (Running)
Thread [MapOutputCopier attempt_local_0001_r_000000_0.0] (Running)
Thread [MapOutputCopier attempt_local_0001_r_000000_0.1] (Running)
Thread [MapOutputCopier attempt_local_0001_r_000000_0.2] (Running)
Thread [MapOutputCopier attempt_local_0001_r_000000_0.4] (Running)
Thread [MapOutputCopier attempt_local_0001_r_000000_0.3] (Running)
Daemon Thread [Thread for merging on-disk files] (Running)
Daemon Thread [Thread for merging in memory files] (Running)
Daemon Thread [Thread for polling Map Completion Events] (Running)
有什么理由，为什么 Hadoop 期望映射器的输出（请参阅日志中的粗体标记行）比我放入输入目录中的输出更多？如前所述，我调试了所有输入都在映射器/分区器/等中正确处理。
更新
在克里斯的帮助下（见评论）我发现，我的程序没有像我预期的那样在 localMode 下启动：类中的isLocal变量ReduceTask设置为false，尽管它应该是true。
对我来说，完全不清楚为什么会发生这种情况，因为必须设置为启用独立模式的 3 个选项设置正确。令人惊讶的是：尽管local设置被忽略了，但“从普通光盘读取”设置却没有，这很奇怪，恕我直言，因为我认为local模式和file:///协议是耦合的。
在调试期间，我通过在我的调试视图中进行评估ReduceTask将变量设置为 true ，然后尝试执行程序的其余部分。它没有成功，这是堆栈跟踪：isLocalisLocal=true
12/05/22 14:28:28 INFO mapred.LocalJobRunner:
12/05/22 14:28:28 INFO mapred.Merger: Merging 1 sorted segments
12/05/22 14:28:28 INFO mapred.Merger: Down to the last merge-pass, with 1 segments left of total size: 1956 bytes
12/05/22 14:28:28 INFO mapred.LocalJobRunner:
12/05/22 14:28:29 WARN conf.Configuration: file:/tmp/hadoop-ema/mapred/local/localRunner/job_local_0001.xml:a attempt to override final parameter: fs.default.name; Ignoring.
12/05/22 14:28:29 WARN conf.Configuration: file:/tmp/hadoop-ema/mapred/local/localRunner/job_local_0001.xml:a attempt to override final parameter: mapred.job.tracker; Ignoring.
12/05/22 14:28:30 INFO ipc.Client: Retrying connect to server: master/127.0.0.1:9001. Already tried 0 time(s).
12/05/22 14:28:31 INFO ipc.Client: Retrying connect to server: master/127.0.0.1:9001. Already tried 1 time(s).
12/05/22 14:28:32 INFO ipc.Client: Retrying connect to server: master/127.0.0.1:9001. Already tried 2 time(s).
12/05/22 14:28:33 INFO ipc.Client: Retrying connect to server: master/127.0.0.1:9001. Already tried 3 time(s).
12/05/22 14:28:34 INFO ipc.Client: Retrying connect to server: master/127.0.0.1:9001. Already tried 4 time(s).
12/05/22 14:28:35 INFO ipc.Client: Retrying connect to server: master/127.0.0.1:9001. Already tried 5 time(s).
12/05/22 14:28:36 INFO ipc.Client: Retrying connect to server: master/127.0.0.1:9001. Already tried 6 time(s).
12/05/22 14:28:37 INFO ipc.Client: Retrying connect to server: master/127.0.0.1:9001. Already tried 7 time(s).
12/05/22 14:28:38 INFO ipc.Client: Retrying connect to server: master/127.0.0.1:9001. Already tried 8 time(s).
12/05/22 14:28:39 INFO ipc.Client: Retrying connect to server: master/127.0.0.1:9001. Already tried 9 time(s).
12/05/22 14:28:39 WARN conf.Configuration: file:/tmp/hadoop-ema/mapred/local/localRunner/job_local_0001.xml:a attempt to override final parameter: fs.default.name; Ignoring.
12/05/22 14:28:39 WARN conf.Configuration: file:/tmp/hadoop-ema/mapred/local/localRunner/job_local_0001.xml:a attempt to override final parameter: mapred.job.tracker; Ignoring.
12/05/22 14:28:39 WARN mapred.LocalJobRunner: job_local_0001
java.net.ConnectException: Call to master/127.0.0.1:9001 failed on connection exception: java.net.ConnectException: Connection refused
at org.apache.hadoop.ipc.Client.wrapException(Client.java:1095)
at org.apache.hadoop.ipc.Client.call(Client.java:1071)
at org.apache.hadoop.ipc.RPC$Invoker.invoke(RPC.java:225)
at $Proxy1.getProtocolVersion(Unknown Source)
at org.apache.hadoop.ipc.RPC.getProxy(RPC.java:396)
at org.apache.hadoop.ipc.RPC.getProxy(RPC.java:379)
at org.apache.hadoop.hdfs.DFSClient.createRPCNamenode(DFSClient.java:119)
at org.apache.hadoop.hdfs.DFSClient.<init>(DFSClient.java:238)
at org.apache.hadoop.hdfs.DFSClient.<init>(DFSClient.java:203)
at org.apache.hadoop.hdfs.DistributedFileSystem.initialize(DistributedFileSystem.java:89)
at org.apache.hadoop.fs.FileSystem.createFileSystem(FileSystem.java:1386)
at org.apache.hadoop.fs.FileSystem.access$200(FileSystem.java:66)
at org.apache.hadoop.fs.FileSystem$Cache.get(FileSystem.java:1404)
at org.apache.hadoop.fs.FileSystem.get(FileSystem.java:254)
at org.apache.hadoop.fs.FileSystem.get(FileSystem.java:123)
at org.apache.hadoop.mapred.ReduceTask$OldTrackingRecordWriter.<init>(ReduceTask.java:446)
at org.apache.hadoop.mapred.ReduceTask.runOldReducer(ReduceTask.java:490)
at org.apache.hadoop.mapred.ReduceTask.run(ReduceTask.java:420)
at org.apache.hadoop.mapred.LocalJobRunner$Job.run(LocalJobRunner.java:260)
Caused by: java.net.ConnectException: Connection refused
at sun.nio.ch.SocketChannelImpl.checkConnect(Native Method)
at sun.nio.ch.SocketChannelImpl.finishConnect(SocketChannelImpl.java:592)
at org.apache.hadoop.net.SocketIOWithTimeout.connect(SocketIOWithTimeout.java:206)
at org.apache.hadoop.net.NetUtils.connect(NetUtils.java:489)
at org.apache.hadoop.ipc.Client$Connection.setupConnection(Client.java:434)
at org.apache.hadoop.ipc.Client$Connection.setupIOstreams(Client.java:560)
at org.apache.hadoop.ipc.Client$Connection.access$2000(Client.java:184)
at org.apache.hadoop.ipc.Client.getConnection(Client.java:1202)
at org.apache.hadoop.ipc.Client.call(Client.java:1046)
... 17 more
12/05/22 14:28:39 WARN conf.Configuration: file:/tmp/hadoop-ema/mapred/local/localRunner/job_local_0001.xml:a attempt to override final parameter: fs.default.name; Ignoring.
12/05/22 14:28:39 WARN conf.Configuration: file:/tmp/hadoop-ema/mapred/local/localRunner/job_local_0001.xml:a attempt to override final parameter: mapred.job.tracker; Ignoring.
12/05/22 14:28:39 INFO mapred.JobClient: Job complete: job_local_0001
12/05/22 14:28:39 INFO mapred.JobClient: Counters: 20
12/05/22 14:28:39 INFO mapred.JobClient: File Input Format Counters
12/05/22 14:28:39 INFO mapred.JobClient: Bytes Read=967
12/05/22 14:28:39 INFO mapred.JobClient: FileSystemCounters
12/05/22 14:28:39 INFO mapred.JobClient: FILE_BYTES_READ=14093
12/05/22 14:28:39 INFO mapred.JobClient: FILE_BYTES_WRITTEN=47859
12/05/22 14:28:39 INFO mapred.JobClient: Map-Reduce Framework
12/05/22 14:28:39 INFO mapred.JobClient: Map output materialized bytes=1960
12/05/22 14:28:39 INFO mapred.JobClient: Map input records=10
12/05/22 14:28:39 INFO mapred.JobClient: Reduce shuffle bytes=0
12/05/22 14:28:39 INFO mapred.JobClient: Spilled Records=10
12/05/22 14:28:39 INFO mapred.JobClient: Map output bytes=1934
12/05/22 14:28:39 INFO mapred.JobClient: Total committed heap usage (bytes)=115937280
12/05/22 14:28:39 INFO mapred.JobClient: CPU time spent (ms)=0
12/05/22 14:28:39 INFO mapred.JobClient: Map input bytes=967
12/05/22 14:28:39 INFO mapred.JobClient: SPLIT_RAW_BYTES=82
12/05/22 14:28:39 INFO mapred.JobClient: Combine input records=0
12/05/22 14:28:39 INFO mapred.JobClient: Reduce input records=0
12/05/22 14:28:39 INFO mapred.JobClient: Reduce input groups=0
12/05/22 14:28:39 INFO mapred.JobClient: Combine output records=0
12/05/22 14:28:39 INFO mapred.JobClient: Physical memory (bytes) snapshot=0
12/05/22 14:28:39 INFO mapred.JobClient: Reduce output records=0
12/05/22 14:28:39 INFO mapred.JobClient: Virtual memory (bytes) snapshot=0
12/05/22 14:28:39 INFO mapred.JobClient: Map output records=10
12/05/22 14:28:39 INFO mapred.JobClient: Job Failed: NA
java.io.IOException: Job failed!
at org.apache.hadoop.mapred.JobClient.runJob(JobClient.java:1265)
at uni.kassel.macek.rtprep.RetweetApplication.main(RetweetApplication.java:50)
at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:57)
at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
at java.lang.reflect.Method.invoke(Method.java:616)
at org.apache.hadoop.util.RunJar.main(RunJar.java:156)
由于这个堆栈跟踪现在向我显示，在执行期间使用了端口 9001，我猜想 xml 配置文件以某种方式覆盖了 local-java-made 设置（我用于测试），这很奇怪，因为我一遍又一遍地阅读在互联网上，java 覆盖了 xml 配置。如果没有人知道如何更正此问题，请尝试简单地删除所有配置 XML。也许这可以解决问题...
新更新
重命名 Hadoopsconf文件夹解决了等待复印机的问题，程序一直执行到最后。HADOOP_OPTS遗憾的是，尽管设置正确，但执行不再等待我的调试器。
恢复：这只是一个配置问题：XML 可能（对于某些配置参数）会覆盖 JAVA。如果有人知道我如何让调试再次运行，那将是完美的，但现在我很高兴我再也看不到这个堆栈跟踪了！;)
感谢克里斯的时间和努力！