使用C＃进行Mapreduce：处理整个输入文件

Question

问题：

我正在C＃中为HDInsight创建MapReduce应用程序。 我需要处理整个输入文件。

我了解，Hadoop有两种方法可以实现此目的：

• 从InputFormat类派生，并让isSplitable始终返回false
• 将min_splitsize设置为足够大的值

我不知道如何在HDInsight上使用C＃实现任何这些选项。

细节：

我要么

• 使用Microsoft.Hadoop.MapReduce，并通过hadoop.MapReduceJob.ExecuteJob<MyJob>();启动作业hadoop.MapReduceJob.ExecuteJob<MyJob>();

• 或通过简单地创建一个控制台应用程序并通过azure powershell启动它

  $mrJobDef = New-AzureHDInsightStreamingMapReduceJobDefinition -JobName MyJob -StatusFolder $mrStatusOutput -Mapper $mrMapper -Reducer $mrReducer -InputPath $mrInput -OutputPath $mrOutput

  $mrJobDef.Files.Add($mrMapperFile)

  $mrJob = Start-AzureHDInsightJob -Cluster $clusterName -JobDefinition $mrJobDef

两种方法的解决方案都会有很大帮助。

Answer 1

您可以使用powershell中的-Defines参数设置min_splitsize

$clusterName = "YourClusterName"
$jobConfig = @{ "min_splitsize"="512mb"; "mapred.output.compression.codec"="org.apache.hadoop.io.compress.GzipCodec" }
$myWordCountJob = New-AzureHDInsightMapReduceJobDefinition -JarFile "/example/jars/hadoop-examples.jar" -ClassName "wordcount" -jobName "WordCountJob" -StatusFolder "/MyMRJobs/WordCountJobStatus" -Defines $jobConfig 

或在C＃中

    var mapReduceJob = new MapReduceJobCreateParameters() 
    {
          ClassName = "wordcount", // required
          JobName = "MyWordCountJob", //optional
          JarFile = "/example/jars/hadoop-examples.jar",  // Required, alternative syntax: wasb://hdijobs@azimasv2.blob.core.windows.net/example/jar/hadoop-examples.jar
          StatusFolder = "/AzimMRJobs/WordCountJobStatus" //Optional, but good to use to know where logs are uploaded in Azure Storage
    };

    mapReduceJob.Defines.Add("min_splitsize", "512mb");

尽管我认为这不能保证每个文件都可以完全读取。 为此，您可能需要在此处http://www.andrewsmoll.com/3-hacks-for-hadoop-and-hdinsight-clusters/中说明的Java SDK

资源： http : //blogs.msdn.com/b/bigdatasupport/archive/2014/02/13/how-to-pass-hadoop-configuration-values-for-a-job-via-hdinsight-powershell-and-净sdk.aspx