如何编写“仅地图”hadoop 作业？答案

【问题标题】：How to write 'map only' hadoop jobs?如何编写“仅地图”hadoop 作业？
【发布时间】：2012-03-12 18:11:34
【问题描述】：

我是 hadoop 的新手，我对 map-reduce 编程的风格很熟悉，但现在我遇到了一个问题：有时我只需要 map 的工作，我只需要直接将 map 结果作为输出，这意味着这里不需要减少阶段，我怎样才能做到这一点？

【问题讨论】：

查看Map-only Jobs

【解决方案1】：

如果您使用 oozie 作为调度程序来管理您的 hadoop 作业，那么您只需将属性 mapred.reduce.tasks（这是每个作业的默认减少任务数）设置为 0。您可以将映射器添加到属性mapreduce.map.class，也不需要添加属性mapreduce.reduce.class，因为不需要reducer。

<configuration>
   <property>
     <name>mapreduce.map.class</name>
     <value>my.com.package.AbcMapper</value>
   </property>
   <property>
     <name>mapred.reduce.tasks</name>
     <value>0</value>
   </property>
   .
   .
   .
<configuration>

【讨论】：

【解决方案2】：

当您需要仅从终端使用映射器启动作业时，它会很有帮助。您可以通过在 hadoop jar 命令中隐式指定 0 个减速器来关闭减速器：

-D mapred.reduce.tasks=0

所以结果命令如下：

hadoop jar myJob.jar -D mapred.reduce.tasks=0 -input myInputDirs -output myOutputDir

为了向后兼容，Hadoop 还支持“-reduce NONE”选项，相当于“-D mapred.reduce.tasks=0”。

【讨论】：

现在 hadoop 对 -D mapred.reduce.tasks 给出折旧警告，并建议改用 -D mapreduce.job.reduce。

【解决方案3】：

这会关闭减速器。

job.setNumReduceTasks(0);

http://hadoop.apache.org/docs/current/api/org/apache/hadoop/mapreduce/Job.html#setNumReduceTasks(int)

【讨论】：

谢谢Thomas，还有一个问题：将reduce任务的数量设置为0后，如何将地图结果保存在hdfs上？（我的意思是如何将地图结果写入part-m-*****之类的文件）
Hadoop 为你做这件事，你不需要关心它。
这种情况下是否需要指定reduce输出key和value？

【解决方案4】：

您也可以使用 IdentityReducer：

http://hadoop.apache.org/common/docs/current/api/org/apache/hadoop/mapred/lib/IdentityReducer.html

【讨论】：

谢谢Peter，我看了IdentityReducer的源码，确实是我的本意，但是有没有什么方法可以不用reduce直接将map结果输出到HDFS呢？（你知道 shuffle 阶段会消耗大量带宽和 cpu/内存资源）
IdentityMapper 可以在有或没有后续减速器的情况下使用。如果您使用身份映射器直接跳转到reduce 阶段，您仍然有排序和洗牌和i/o 开销，因此如果您不需要reducer，使用Thomas 提到的方法是正确的方法。
对不起，omnisis，但这是不正确的：将reduce任务的数量设置为零将忽略任何排序。 stackoverflow.com/questions/10630447/…