MapReduce Counter为提供我们一个窗口：观察MapReduce job运行期的各种细节数据。今年三月份期间，我曾经专注于MapReduce性能调优工作，是否优化的绝大多评估都是基于这些Counter的数值表 现。MapReduce自带了许多默认Counter，可能有些朋友对它们有些疑问，现在我分析下这些默认Counter的含义，方便大家观察job结 果。
我的分析是基于Hadoop0.21，我也看过Hadoop其它版本的Counter展现，细节大同小异，如果有差异的地方，以事实版本为主。
Counter有"组group"的概念，用于表示逻辑上相同范围的所有数值。MapReduce job提供的默认Counter分为五个组，下面逐一介绍。这里也拿我的一份测试数据来做详细比对，它们会以表格的形式出现在各组描述中。
FileInputFormatCounters
这个group表示map task读取文件内容(总输入数据)的统计
| Counter | Map | Reduce | Total | |
| FileInputFormatCounters | BYTES_READ | 1,109,990,596 | 0 | 1,109,990,596 |
BYTES_READ
Map task的所有输入数据(字节)，等于各个map task的map方法传入的所有value值字节之和。
FileSystemCounters
MapReduce job执行所依赖的数据来自于不同的文件系统，这个group表示job与文件系统交互的读写统计
| Counter | Map | Reduce | Total | |
| FileSystemCounters | FILE_BYTES_READ | 0 | 1,544,520,838 | 1,544,520,838 |
| FILE_BYTES_WRITTEN | 1,544,537,310 | 1,544,520,838 | 3,089,058,148 | |
| HDFS_BYTES_READ | 1,110,269,508 | 0 | 1,110,269,508 | |
| HDFS_BYTES_WRITTEN | 0 | 827,982,518 | 827,982,518 |
FILE_BYTES_READ
job读取本地文件系统的文件字节数。假定我们当前map的输入数据都来自于HDFS，那么在map阶段，这个数据应该是0。但reduce在执行前，它
的输入数据是经过shuffle的merge后存储在reduce端本地磁盘中，所以这个数据就是所有reduce的总输入字节数。
FILE_BYTES_WRITTEN
map的中间结果都会spill到本地磁盘中，在map执行完后，形成最终的spill文件。所以map端这里的数据就表示map
task往本地磁盘中总共写了多少字节。与map端相对应的是，reduce端在shuffle时，会不断地拉取map端的中间结果，然后做merge并
不断spill到自己的本地磁盘中。最终形成一个单独文件，这个文件就是reduce的输入文件。
HDFS_BYTES_READ
整个job执行过程中，只有map端运行时，才从HDFS读取数据，这些数据不限于源文件内容，还包括所有map的split元数据。所以这个值应该比FileInputFormatCounters.BYTES_READ 要略大些。
HDFS_BYTES_WRITTEN
Reduce的最终结果都会写入HDFS，就是一个job执行结果的总量。
Shuffle Errors
这组内描述Shuffle过程中的各种错误情况发生次数，基本定位于Shuffle阶段copy线程抓取map端中间数据时的各种错误。
| Counter | Map | Reduce | Total | |
| Shuffle Errors | BAD_ID | 0 | 0 | 0 |
| CONNECTION | 0 | 0 | 0 | |
| IO_ERROR | 0 | 0 | 0 | |
| WRONG_LENGTH | 0 | 0 | 0 | |
| WRONG_MAP | 0 | 0 | 0 | |
| WRONG_REDUCE | 0 | 0 | 0 |
BAD_ID
每个map都有一个ID，如attempt_201109020150_0254_m_000000_0，如果reduce的copy线程抓取过来的元数据中这个ID不是标准格式，那么此Counter增加
CONNECTION
表示copy线程建立到map端的连接有误
IO_ERROR
Reduce的copy线程如果在抓取map端数据时出现IOException，那么这个值相应增加
WRONG_LENGTH
map端的那个中间结果是有压缩好的有格式数据，所有它有两个length信息：源数据大小与压缩后数据大小。如果这两个length信息传输的有误(负值)，那么此Counter增加
WRONG_MAP
每个copy线程当然是有目的:为某个reduce抓取某些map的中间结果，如果当前抓取的map数据不是copy线程之前定义好的map，那么就表示把数据拉错了
WRONG_REDUCE
与上面描述一致，如果抓取的数据表示它不是为此reduce而准备的，那还是拉错数据了。
Job Counters
这个group描述与job调度相关的统计
| Counter | Map | Reduce | Total | |
| Job Counters | Data-local map tasks | 0 | 0 | 67 |
| FALLOW_SLOTS_MILLIS_MAPS | 0 | 0 | 0 | |
| FALLOW_SLOTS_MILLIS_REDUCES | 0 | 0 | 0 | |
| SLOTS_MILLIS_MAPS | 0 | 0 | 1,210,936 | |
| SLOTS_MILLIS_REDUCES | 0 | 0 | 1,628,224 | |
| Launched map tasks | 0 | 0 | 67 | |
| Launched reduce tasks | 0 | 0 | 8 |
Data-local map tasks
Job在被调度时，如果启动了一个data-local(源文件的幅本在执行map task的taskTracker本地)
FALLOW_SLOTS_MILLIS_MAPS
当前job为某些map task的执行保留了slot，总共保留的时间是多少
FALLOW_SLOTS_MILLIS_REDUCES
与上面类似
SLOTS_MILLIS_MAPS
所有map task占用slot的总时间，包含执行时间和创建/销毁子JVM的时间
SLOTS_MILLIS_REDUCES
与上面类似
Launched map tasks
此job启动了多少个map task
Launched reduce tasks
此job启动了多少个reduce task
Map-Reduce Framework
这个Counter
group包含了相当多地job执行细节数据。这里需要有个概念认识是：一般情况下，record就表示一行数据，而相对地byte表示这行数据的大小是
多少，这里的group表示经过reduce merge后像这样的输入形式{“aaa”, [5, 8, 2, …]}。
| Counter | Map | Reduce | Total | |
| Map-Reduce Framework | Combine input records | 200,000,000 | 0 | 200,000,000 |
| Combine output records | 117,838,546 | 0 | 117,838,546 | |
| Failed Shuffles | 0 | 0 | 0 | |
| GC time elapsed (ms) | 23,472 | 46,588 | 70,060 | |
| Map input records | 10,000,000 | 0 | 10,000,000 | |
| Map output bytes | 1,899,990,596 | 0 | 1,899,990,596 | |
| Map output records | 200,000,000 | 0 | 200,000,000 | |
| Merged Map outputs | 0 | 536 | 536 | |
| Reduce input groups | 0 | 84,879,137 | 84,879,137 | |
| Reduce input records | 0 | 117,838,546 | 117,838,546 | |
| Reduce output records | 0 | 84,879,137 | 84,879,137 | |
| Reduce shuffle bytes | 0 | 1,544,523,910 | 1,544,523,910 | |
| Shuffled Maps | 0 | 536 | 536 | |
| Spilled Records | 117,838,546 | 117,838,546 | 235,677,092 | |
| SPLIT_RAW_BYTES | 8,576 | 0 | 8,576 |
Combine input records
Combiner是为了减少尽量减少需要拉取和移动的数据，所以combine输入条数与map的输出条数是一致的。
Combine output records
经过Combiner后，相同key的数据经过压缩，在map端自己解决了很多重复数据，表示最终在map端中间文件中的所有条目数
Failed Shuffles
copy线程在抓取map端中间数据时，如果因为网络连接异常或是IO异常，所引起的shuffle错误次数
GC time elapsed(ms)
通过JMX获取到执行map与reduce的子JVM总共的GC时间消耗
Map input records
所有map task从HDFS读取的文件总行数
Map output records
map task的直接输出record是多少，就是在map方法中调用context.write的次数，也就是未经过Combine时的原生输出条数
Map output bytes
Map的输出结果key/value都会被序列化到内存缓冲区中，所以这里的bytes指序列化后的最终字节之和
Merged Map outputs
记录着shuffle过程中总共经历了多少次merge动作
Reduce input groups
Reduce总共读取了多少个这样的groups
Reduce input records
如果有Combiner的话，那么这里的数值就等于map端Combiner运算后的最后条数，如果没有，那么就应该等于map的输出条数
Reduce output records
所有reduce执行后输出的总条目数
Reduce shuffle bytes
Reduce端的copy线程总共从map端抓取了多少的中间数据，表示各个map task最终的中间文件总和
Shuffled Maps
每个reduce几乎都得从所有map端拉取数据，每个copy线程拉取成功一个map的数据，那么增1，所以它的总数基本等于 reduce number * map number
Spilled Records
spill过程在map和reduce端都会发生，这里统计在总共从内存往磁盘中spill了多少条数据
SPLIT_RAW_BYTES
与map task
的split相关的数据都会保存于HDFS中，而在保存时元数据也相应地存储着数据是以怎样的压缩方式放入的，它的具体类型是什么，这些额外的数据是
MapReduce框架加入的，与job无关，这里记录的大小就是表示额外信息的字节大小
