hadoop的计数器

MapReduce的计数器

主要用来记录job的执行进度和状态,有些像日志的概念,在MapReduce程序中插入计数器,记录数据或进度(例如map处理了多少字节数据,当前有多少条数据不符合格式...)

MapReduce计数器可以记录job运行期间的细节数据,进行性能调优

MapReduce自带的计数器

只要知道计数器的组名(groupName)和计数器名称(counterName)就会查找groupName和counterName

计数器的使用

1.定义计数器

    1)枚举声明

Context context...  
//自定义枚举变量Enum
Counter counter = context.getCounter(Enum enum)

    2).自定义计数器

Context context...
//自己命名groupName和counterName
Counter counter = context.getCounter(String groupName,String counterName)

2.计数器赋值

counter.setValue(long value);//设置初始值

counter.increment(long incr);//增加计数

获取计数器的值

Job job...  
job.waitForCompletion(true);  
Counters counters=job.getCounters();  
获取枚举计数器的值
Counter counter=counters.findCounter("BAD_RECORDS");//查找枚举计数器，假如Enum的变量为BAD_RECORDS

获取自定义计数器的值
Counter counter=counters.findCounter("ErrorCounter","toolong");//假如groupName为ErrorCounter，counterName为toolong

获取内置计数器的值
//查找作业运行启动的reduce个数的计数器，groupName和counterName可以从内置计数器表格查询（前面已经列举有）
Counter counter=counters.findCounter("org.apache.hadoop.mapreduce.JobCounter","TOTAL_LAUNCHED_REDUCES");//假如groupName为org.apache.hadoop.mapreduce.JobCounter，counterName为TOTAL_LAUNCHED_REDUCES
long value=counter.getValue();//获取计数值

获取所有计数器的值
Counters counters = job.getCounters();
for (CounterGroup group : counters) {
    for (Counter counter : group) {
        System.out.println(counter.getDisplayName() + ": " + counter.getName() + ": "+ counter.getValue());
    }
}

别人博客的代码链接:http://blog.csdn.net/dajuezhao/article/details/5788705

 1、MapReduce 任务计数器

        MapReduce 任务计数器的 groupName为org.apache.hadoop.mapreduce.TaskCounter，它包含的计数器如下表所示，计数器名称列的括号（）内容即为counterName。

计数器名称    说明
map 输入的记录数（MAP_INPUT_RECORDS）    作业中所有 map 已处理的输入记录数。每次 RecorderReader 读到一条记录并将其传给 map 的 map() 函数时，该计数器的值增加。
map 跳过的记录数（MAP_SKIPPED_RECORDS）    作业中所有 map 跳过的输入记录数。
map 输入的字节数（MAP_INPUT_BYTES）    作业中所有 map 已处理的未经压缩的输入数据的字节数。每次 RecorderReader 读到一条记录并 将其传给 map 的 map() 函数时，该计数器的值增加。
分片（split）的原始字节数（SPLIT_RAW_BYTES）    由 map 读取的输入-分片对象的字节数。这些对象描述分片元数据（文件的位移和长度），而不是分片的数据自身，因此总规模是小的。
map 输出的记录数（MAP_OUTPUT_RECORDS）    作业中所有 map 产生的 map 输出记录数。每次某一个 map 的Context 调用 write() 方法时，该计数器的值增加。
map 输出的字节数（MAP_OUTPUT_BYTES）    作业中所有 map 产生的 未经压缩的输出数据的字节数。每次某一个 map 的 Context 调用 write() 方法时，该计数器的值增加。
map 输出的物化字节数（MAP_OUTPUT_MATERIALIZED_BYTES）    map 输出后确实写到磁盘上的字节数；若 map 输出压缩功能被启用，则会在计数器值上反映出来。
combine 输入的记录数（COMBINE_INPUT_RECORDS）    作业中所有 Combiner（如果有）已处理的输入记录数。Combiner 的迭代器每次读一个值，该计数器的值增加。
combine 输出的记录数（COMBINE_OUTPUT_RECORDS）    作业中所有 Combiner（如果有）已产生的输出记录数。每当一个 Combiner 的 Context 调用 write() 方法时，该计数器的值增加。
reduce 输入的组（REDUCE_INPUT_GROUPS）    作业中所有 reducer 已经处理的不同的码分组的个数。每当某一个 reducer 的 reduce() 被调用时，该计数器的值增加。
reduce 输入的记录数（REDUCE_INPUT_RECORDS）    作业中所有 reducer 已经处理的输入记录的个数。每当某个 reducer 的迭代器读一个值时，该计数器的值增加。如果所有 reducer 已经处理完所有输入， 则该计数器的值与计数器 “map 输出的记录” 的值相同。
reduce 输出的记录数（REDUCE_OUTPUT_RECORDS）    作业中所有 map 已经产生的 reduce 输出记录数。每当某一个 reducer 的 Context 调用 write() 方法时，该计数器的值增加。
reduce 跳过的组数（REDUCE_SKIPPED_GROUPS）    作业中所有 reducer 已经跳过的不同的码分组的个数。
reduce 跳过的记录数（REDUCE_SKIPPED_RECORDS）    作业中所有 reducer 已经跳过输入记录数。
reduce 经过 shuffle 的字节数（REDUCE_SHUFFLE_BYTES）    shuffle 将 map 的输出数据复制到 reducer 中的字节数。
溢出的记录数（SPILLED_RECORDS）    作业中所有 map和reduce 任务溢出到磁盘的记录数。
CPU 毫秒（CPU_MILLISECONDS）    总计的 CPU 时间，以毫秒为单位，由/proc/cpuinfo获取
物理内存字节数（PHYSICAL_MEMORY_BYTES）    一个任务所用物理内存的字节数，由/proc/cpuinfo获取
虚拟内存字节数（VIRTUAL_MEMORY_BYTES）    一个任务所用虚拟内存的字节数，由/proc/cpuinfo获取
有效的堆字节数（COMMITTED_HEAP_BYTES）    在 JVM 中的总有效内存量（以字节为单位），可由 Runtime().getRuntime().totaoMemory()获取。
GC 运行时间毫秒数（GC_TIME_MILLIS）    在任务执行过程中，垃圾收集器（garbage collection）花费的时间（以毫秒为单位）， 可由 GarbageCollector MXBean.getCollectionTime()获取；该计数器并未出现在1.x版本中。
由 shuffle 传输的 map 输出数（SHUFFLED_MAPS）    有 shuffle 传输到 reducer 的 map 输出文件数。
失败的 shuffle 数（SHUFFLE_MAPS）    在 shuffle 过程中，发生拷贝错误的 map 输出文件数，该计数器并没有包含在 1.x 版本中。
被合并的 map 输出数    在 shuffle 过程中，在 reduce 端被合并的 map 输出文件数，该计数器没有包含在 1.x

2、文件系统计数器

        文件系统计数器的 groupName为org.apache.hadoop.mapreduce.FileSystemCounter，它包含的计数器如下表所示，计数器名称列的括号（）内容即为counterName。

计数器名称    说明
文件系统的读字节数（BYTES_READ）    由 map 和 reduce 等任务在各个文件系统中读取的字节数，各个文件系统分别对应一个计数器，可以是 Local、HDFS、S3和KFS等。
文件系统的写字节数（BYTES_WRITTEN）    由 map 和 reduce 等任务在各个文件系统中写的字节数。
3、FileInputFormat 计数器

        FileInputFormat 计数器的 groupName为org.apache.hadoop.mapreduce.lib.input.FileInputFormatCounter，它包含的计数器如下表所示，计数器名称列的括号（）内容即为counterName。

计数器名称    说明
读取的字节数（BYTES_READ）    由 map 任务通过 FileInputFormat 读取的字节数。

4、FileOutputFormat 计数器

        FileOutputFormat 计数器的 groupName为org.apache.hadoop.mapreduce.lib.input.FileOutputFormatCounter，它包含的计数器如下表所示，计数器名称列的括号（）内容即为counterName。

计数器名称    说明
写的字节数（BYTES_WRITTEN）    由 map 任务（针对仅含 map 的作业）或者 reduce 任务通过 FileOutputFormat 写的字节数。
作业计数器
        作业计数器由 JobTracker（或者 YARN 中的应用宿主）维护，因此无需在网络间传输数据，这一点与包括 “用户定义的计数器” 在内的其它计数器不同。这些计数器都是作业级别的统计量，其值不会随着任务运行而改变。 作业计数器计数器的 groupName为org.apache.hadoop.mapreduce.JobCounter，它包含的计数器如下表所示，计数器名称列的括号（）内容即为counterName。

计数器名称    说明
启用的 map 任务数（TOTAL_LAUNCHED_MAPS）    启动的 map 任务数，包括以 “推测执行” 方式启动的任务。
启用的 reduce 任务数（TOTAL_LAUNCHED_REDUCES）    启动的 reduce 任务数，包括以 “推测执行” 方式启动的任务。
失败的 map 任务数（NUM_FAILED_MAPS）    失败的 map 任务数。
失败的 reduce 任务数（NUM_FAILED_REDUCES）    失败的 reduce 任务数。
数据本地化的 map 任务数（DATA_LOCAL_MAPS）    与输入数据在同一节点的 map 任务数。
机架本地化的 map 任务数（RACK_LOCAL_MAPS）    与输入数据在同一机架范围内、但不在同一节点上的 map 任务数。
其它本地化的 map 任务数（OTHER_LOCAL_MAPS）    与输入数据不在同一机架范围内的 map 任务数。由于机架之间的宽带资源相对较少，Hadoop 会尽量让 map 任务靠近输入数据执行，因此该计数器值一般比较小。
map 任务的总运行时间（SLOTS_MILLIS_MAPS）    map 任务的总运行时间，单位毫秒。该计数器包括以推测执行方式启动的任务。
reduce 任务的总运行时间（SLOTS_MILLIS_REDUCES）    reduce任务的总运行时间，单位毫秒。该值包括以推测执行方式启动的任务。
在保留槽之后，map 任务等待的总时间（FALLOW_SLOTS_MILLIS_MAPS）    在为 map 任务保留槽之后所花费的总等待时间，单位是毫秒。
在保留槽之后，reduce 任务等待的总时间（FALLOW_SLOTS_MILLIS_REDUCES）    在为 reduce 任务保留槽之后，花在等待上的总时间，单位为毫秒。