Hadoop无法完成工作，因为“设备上没有剩余空间”

Question

我正在尝试运行一个非常简单的hadoop工作。它是对经典wordCount的修改，它不对单词进行计数，而是对文件中的行进行计数。我想用它来清理一堆我知道有重复项的大日志文件（每个约70GB）。每行都是一个“记录”，因此我有兴趣仅获取一次每个记录。

我知道我的代码有效，因为它可以在我使用小型普通文件运行它时执行的工作。当我使用大文件运行它时，Hadoop表现得很严格。首先，它可以在MAP阶段正常开始工作，该阶段通常可以毫无问题地达到100％。但是，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”异常之后返回到0％：

FSError: java.io.IOException: No space left on device

然后，它尝试再次执行减少操作，当达到40％时，它再次降低到0％，依此类推。当然，它会这样做2到3次，然后才决定结束而没有成功。

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。我用以下方法检查fs状态：

$ hadoop dfsadmin -report > report

该报告从未显示实际节点达到100％。实际上，没有节点能与之接近。

我在每个节点上都有大约60GB的磁盘可用，并且在具有60个数据节点的群集中运行该磁盘，这使我的总空间超过3TB。我要处理的文件只有70GB。

在Internet上查看时，我发现这可能与Hadoop在处理大量数据时创建太多文件有关。原始的wordCount代码大大减少了数据（因为单词重复很多）。70GB的文件可以减少到仅7MB的输出。但是，我期望仅减少1/3左右，或输出大约20-30GB。

Unix类型的系统每个进程最多只能有1024个打开文件：

$ ulimit -n
1024

如果hadoop不仅能创造更多的东西，那可能是个问题。我要求系统管理员将该限制增加到65K，即现在该限制为：

$ ulimit -n
65000

问题继续。是否可以我需要进一步增加此限制？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);
  }
}

Answer 1

在处理10TB数据时，我已经在群集上看到此问题。此问题与HDFS上的空间可用性无关，但与本地文件系统（df -h）上的可用空间有关，该文件系统用于存储在map-reduce操作期间生成的中间数据，该中间数据存储在本地而不是HDFS中。