我使用级联做一个哈希连接两个300mb的文件。我执行以下级联工作流:
// select the field which I need from the first file
Fields f1 = new Fields("id_1");
docPipe1 = new Each( docPipe1, scrubArguments, new ScrubFunction( f1 ), Fields.RESULTS );
// select the fields which I need from the second file
Fields f2 = new Fields("id_2","category");
docPipe2 = new Each( docPipe2, scrubArguments, new ScrubFunction( f2), Fields.RESULTS );
// hashJoin
Pipe tokenPipe = new HashJoin( docPipe1, new Fields("id_1"),
docPipe2, new Fields("id_2"), new LeftJoin());
// count the number of each "category" based on the id_1 matching id_2
Pipe pipe = new Pipe(tokenPipe );
pipe = new GroupBy( pipe , new Fields("category"));
pipe = new Every( pipe, Fields.ALL, new Count(), Fields.ALL );
我在hadoop集群上运行这个级联程序,这个集群有3个datanode,每个datanode有8个ram和4个内核(我将mapred.child.java.opts设置为4096mb);但我花了大约30分钟才得到最终结果。我觉得太慢了,但是我觉得我的程序和集群都没有问题。如何使此级联联接更快?
2条答案
按热度按时间xurqigkl1#
您的hadoop集群可能正忙,或者可能正致力于其他工作,因此需要花费时间。我不认为用cogroup替换hashjoin会有帮助,因为cogroup是一个reduce-side连接,而hashjoin是一个map-side连接,因此hashjoin将比congroup更有效。我认为您应该用一个不那么忙的集群再试一次,因为您的代码看起来也不错。
pkmbmrz72#
如级联用户指南所示
hashjoin尝试将整个右侧流保留在内存中以便快速比较(不仅仅是当前分组,因为没有对hashjoin执行分组)。因此右侧流中非常大的元组流可能会超过可配置的溢出到磁盘阈值,从而降低性能并可能导致内存错误。因此,建议使用右侧较小的流。
或
使用可能有用的cogroup