在 Hadoop 中，框架将正常 Map-Reduce 应用程序中 Map 任务的输出保存在哪里？

Question

我试图找出 Map 任务的输出在被Reduce 任务使用之前保存到磁盘的位置。

注意： - 使用的版本是带有新 API 的 Hadoop 0.20.204

例如，当覆盖 Map 类中的 map 方法时：

public void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
    String line = value.toString();
    StringTokenizer tokenizer = new StringTokenizer(line);
    while (tokenizer.hasMoreTokens()) {
        word.set(tokenizer.nextToken());
        context.write(word, one);
    }

    // code that starts a new Job.

}

我有兴趣找出 context.write() 最终在哪里写入数据。到目前为止，我遇到了：

FileOutputFormat.getWorkOutputPath(context);

这给了我 hdfs 上的以下位置：

hdfs://localhost:9000/tmp/outputs/1/_temporary/_attempt_201112221334_0001_m_000000_0

当我尝试将其用作另一个作业的输入时，它给了我以下错误：

org.apache.hadoop.mapreduce.lib.input.InvalidInputException: Input path does not exist: hdfs://localhost:9000/tmp/outputs/1/_temporary/_attempt_201112221334_0001_m_000000_0

注意： 该作业开始于Mapper，因此从技术上讲，当新作业开始时，Mapper 任务写入其输出的临时文件夹就存在。话又说回来，它仍然说输入路径不存在。

关于临时输出写入何处有什么想法吗？或者，在同时具有 Map 和 Reduce 阶段的作业期间，我可以在哪里找到 Map 任务的输出？

Answer 1

MapReduce框架会将中间输出存储到本地磁盘而不是HDFS中，因为这会导致不必要的文件复制。

Answer 2

所以，我已经弄清楚到底发生了什么。

映射器的输出会被缓冲，直到达到其大小的 80% 左右，此时它开始将结果转储到本地磁盘，并继续将项目放入缓冲区。

我想在映射器仍在运行时获取映射器的中间输出并将其用作另一个作业的输入。事实证明，如果不大量修改 hadoop 0.20.204 部署，这是不可能的。系统的工作方式是，即使在地图上下文中指定了所有内容：

map .... {
  setup(context)
  .
  .
  cleanup(context)
}

并且调用了清理，仍然没有转储到临时文件夹。

之后，整个 Map 计算的所有内容最终都会被合并并转储到磁盘，并成为减速器之前的洗牌和排序阶段的输入。

到目前为止，从我阅读和查看的所有内容来看，输出最终应位于的临时文件夹是我事先猜测的。

FileOutputFormat.getWorkOutputPath(context)

我设法以不同的方式完成了我想做的事情。反正
如果对此有任何疑问，请告诉我。

Answer 3

任务跟踪器为每个Map 或Reduce 任务启动一个单独的JVM 进程。

Mapper输出（中间数据）被写入每个Mapper从节点的本地文件系统（不是HDFS）。一旦数据传输到Reducer，我们将无法访问这些临时文件。

如果您想查看 Mapper 输出，我建议使用 IdentityReducer？