Hadoop学习笔记—7.计数器与自定义计数器

一、Hadoop中的计数器

计数器：计数器是用来记录job的执行进度和状态的。它的作用可以理解为日志。我们通常可以在程序的某个位置插入计数器，用来记录数据或者进度的变化情况，它比日志更便利进行分析。

　　例如，我们有一个文件，其中包含如下内容：

hello you
hello me

　　它被WordCount程序执行后显示如下日志：

　　在上图所示中，计数器有19个，分为四个组：File Output Format Counters、FileSystemCounters、File Input Format Counters和Map-Reduce Framkework。

　　分组File Input Format Counters包括一个计数器Bytes Read，表示job执行结束后输出文件的内容包括19个字节(空格、换行都是字符)，如下所示。

hello 2
me 1
you 1

　　分组File Output Format Counters包括一个计数器Bytes Written，表示job执行时读取的文件内容包括19个字节(空格、换行都是字符)，如下所示。

hello you
hello me

　　关于以上这段计数器日志中详细的说明请见下面的注释：

   Counters: 19 // Counter表示计数器，19表示有19个计数器（下面一共4计数器组）
   File Output Format Counters // 文件输出格式化计数器组
     Bytes Written=19 // reduce输出到hdfs的字节数，一共19个字节
   FileSystemCounters// 文件系统计数器组
     FILE_BYTES_READ=481
     HDFS_BYTES_READ=38
     FILE_BYTES_WRITTEN=81316
     HDFS_BYTES_WRITTEN=19
   File Input Format Counters // 文件输入格式化计数器组
     Bytes Read=19 // map从hdfs读取的字节数
   Map-Reduce Framework // MapReduce框架
     Map output materialized bytes=49
     Map input records=2 // map读入的记录行数，读取两行记录,”hello you”,”hello me”
     Reduce shuffle bytes=0 // 规约分区的字节数
     Spilled Records=8
     Map output bytes=35
     Total committed heap usage (bytes)=266469376
     SPLIT_RAW_BYTES=105
     Combine input records=0 // 合并输入的记录数
     Reduce input records=4 // reduce从map端接收的记录行数
     Reduce input groups=3  // reduce函数接收的key数量，即归并后的k2数量
     Combine output records=0 // 合并输出的记录数
     Reduce output records=3 // reduce输出的记录行数。<helllo,{1,1}>,<you,{1}>,<me,{1}>
     Map output records=4 // map输出的记录行数，输出4行记录

二、用户自定义计数器

　　以上是在Hadoop中系统内置的标准计数器。除此之外，由于不同的场景有不同的计数器应用需求，因此我们也可以自己定义计数器使用。

2.1 敏感词记录-准备

　　现在假设我们需要对文件中的敏感词做一个统计，即对敏感词在文件中出现的次数做一个记录。这里，我们还是以下面这个文件为例：

Hello World!
Hello Hadoop!

　　文本内容很简单，这里我们指定Hello是一个敏感词，显而易见这里出现了两次Hello，即两次敏感词需要记录下来。

2.2 敏感词记录-程序

　　在WordCount程序的基础之上，改写Mapper类中的map方法，统计Hello出现的次数，如下代码所示：

        public static class MyMapper extends
            Mapper<LongWritable, Text, Text, LongWritable> {
        /*
         * @param KEYIN →k1 表示每一行的起始位置（偏移量offset）
         * 
         * @param VALUEIN →v1 表示每一行的文本内容
         * 
         * @param KEYOUT →k2 表示每一行中的每个单词
         * 
         * @param VALUEOUT →v2表示每一行中的每个单词的出现次数，固定值为1
         */
        protected void map(LongWritable key, Text value,
                Mapper<LongWritable, Text, Text, LongWritable>.Context context)
                throws java.io.IOException, InterruptedException {
            Counter sensitiveCounter = context.getCounter("Sensitive Words:", "Hello");
            
            String line = value.toString();
            // 这里假定Hello是一个敏感词
            if(line.contains("Hello")){
                sensitiveCounter.increment(1L);
            }
            String[] spilted = line.split(" ");
            for (String word : spilted) {
                context.write(new Text(word), new LongWritable(1L));
            }
        };
    }

　　我们首先通过Mapper.Context类直接获得计数器对象。这里有两个形参，第一个是计数器组的名称，第二是计数器的名称。

　　然后通过String类的contains方法判断是否存在Hello敏感词。如果有，进入条件判断语句块，调用计数器对象的increment方法。

2.3 敏感词记录-结果

　　通过查看控制台日志信息，可以看到如下图所示的信息：

　　我们可以清楚地看到计数器由原来的19个变为20个，多出来的这个计数器正是我们自定义的敏感词计数器，由于文件中只有两个Hello，因此这里显示Hello=2。

参考资料

（1）Suddenly，《Hadoop日记17-计数器、Map规约与分区》：http://www.cnblogs.com/sunddenly/p/4009568.html

（2）吴超，《Hadoop中的计数器》：http://www.superwu.cn/2013/08/14/460

（3）dajuezhao，《Hadoop中自定义计数器》：http://blog.csdn.net/dajuezhao/article/details/5788705

（4）万川梅、谢正兰，《Hadoop应用开发实战详解（修订版）》：http://item.jd.com/11508248.html

 　　

作者：周旭龙

出处：http://edisonchou.cnblogs.com/

本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文链接。