我正在尝试运行一个非常简单的 hadoop 作业。它是对经典 wordCount 的修改，它不是计算单词，而是计算文件中的行数。我想用它来清理一堆我知道有重复的大日志文件（每个大约 70GB）。每行都是一个“记录”，因此我有兴趣只获取每条记录一次。
我知道我的代码可以工作，因为当我使用小型普通文件运行它时，它会完成它应该做的事情。当我使用大文件运行它时，Hadoop 的行为非常严格。首先，它在 MAP 阶段开始正确工作，通常达到 100% 没有问题。然而，在处理 REDUCE 时，它永远不会超过 50%。它可能达到 40%，然后在显示一些“设备上没有剩余空间”异常后回到 0%：
FSError: java.io.IOException: No space left on device
然后它尝试再次进行 REDUCE，当它达到 40% 时，它再次下降到 0%，依此类推。当然，在它决定以失败告终之前，它会这样做 2 或 3 次。
但是，此异常的问题在于它与磁盘上的实际空间无关。磁盘空间永远不会满。不是 HDFS 上的总（全局）空间，也不是每个节点中的单个磁盘。我通过以下方式检查 fs 状态：
$ hadoop dfsadmin -report > report
此报告从不显示实际节点达到 100%。事实上，没有节点能接近这一点。
每个节点都有大约 60GB 的可用磁盘，我在一个有 60 个数据节点的集群中运行它，这给了我超过 3TB 的总空间。我要处理的文件只有 70GB。
在互联网上查看，我发现这可能与 Hadoop 在处理大量数据时创建了太多文件有关。原始 wordCount 代码大大减少了数据（因为单词重复很多）。一个 70GB 的文件可以减少到只有 7MB 的输出。但是，我预计只会减少 1/3，或者输出大约 20-30GB。
Unix 类型系统的每个进程限制为 1024 个打开文件：
$ ulimit -n
1024
如果 hadoop 创造的不止这些，那可能是个问题。我要求系统管理员将该限制增加到 65K，即现在的限制是：
$ ulimit -n
65000
问题还在继续。这可能是我需要进一步增加这个限制吗？这里还有其他事情吗？
非常感谢你的帮助！
代码在这里：
package ...;
import java.io.IOException;
import java.util.StringTokenizer;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;
public class LineCountMR {
public static class MapperClass
extends Mapper<Object, Text, Text, IntWritable>{
private final static IntWritable one = new IntWritable(1);
private Text word = new Text();
private String token = new String();
public void map(Object key, Text value, Context context
) throws IOException, InterruptedException {
token = value.toString().replace(' ', '_');
word.set(token);
context.write(word, one);
}
}
public static class ReducerClass
extends Reducer<Text,IntWritable,Text,IntWritable> {
private IntWritable result = new IntWritable();
public void reduce(Text key, Iterable<IntWritable> values,
Context context
) throws IOException, InterruptedException {
int sum = 0;
for (IntWritable val : values) {
sum += val.get();
}
result.set(sum);
context.write(key, result);
}
}
public static void main(String[] args) throws Exception {
Configuration conf = new Configuration();;
if (args.length != 2) {
System.err.println("Parameters: <in> <out>");
System.exit(2);
}
Job job = new Job(conf, "line count MR");
job.setJarByClass(LineCountMR.class);
job.setMapperClass(MapperClass.class);
job.setCombinerClass(ReducerClass.class);
job.setReducerClass(ReducerClass.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
FileInputFormat.addInputPath(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
}