Mapredece(MR)的reduce join、解决map端加载海量配置文件报内存溢出问题(OOM)

最新推荐文章于 2022-08-19 13:14:59 发布

原创

最新推荐文章于 2022-08-19 13:14:59 发布 · 956 阅读

标签

#reduce join #GC overhead #OOM

收录于

当MapReduce处理时遇到大量配置文件导致内存溢出（OOM）或GC overhead问题，可以考虑转向Reduce端加载。虽然这会增加Shuffle过程的时间消耗，但能有效缓解内存压力。Reduce端加载类似于Hive SQL的左右关联，确保在处理数据时明确每条记录的来源。

前面的一个博客写到mr加载配置文件的三种方法都是基于map端加载的，当配置文件非常大时，map加载会报内存溢出(OOM)或报GC overhead limit exceeded，此时应该考虑reduce端加载。当然reduce端的加载也存在缺点，会造成shuffer过程的耗时。当然，任何一个程序都不是那么完美的，时间和空间就是鱼与熊掌不可兼得。

Reduce端加载的核心就是：在reduce端处理数据时要分清每条数据来自于哪个文件，通俗的讲就是在写HiveSql时，要知道这个字段源于哪张表。(reduce端的join差不多类似sql的左右关联)

package com.zqm.MavenProiect;
import java.io.IOException;
import java.text.SimpleDateFormat;
import java.util.Date;
import java.util.HashMap;
import java.util.Map;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
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.FileOutp