pig 倾斜连接与大表导致“拆分元数据大小超过 10000000”答案

【问题标题】：pig skewed join with a big table causes "Split metadata size exceeded 10000000"pig 倾斜连接与大表导致“拆分元数据大小超过 10000000”
【发布时间】：2013-06-18 07:36:02
【问题描述】：

我们在一个小的（16M 行）不同的表和一个大的（6B 行）倾斜表之间有一个猪连接。常规连接在 2 小时内完成（经过一些调整）。我们尝试了using skewed 并且能够将性能提高到 20 分钟。

但是，当我们尝试更大的倾斜表（19B 行）时，我们会从 SAMPLER 作业中收到以下消息：

Split metadata size exceeded 10000000. Aborting job job_201305151351_21573 [ScriptRunner]
at org.apache.hadoop.mapreduce.split.SplitMetaInfoReader.readSplitMetaInfo(SplitMetaInfoReader.java:48)
at org.apache.hadoop.mapred.JobInProgress.createSplits(JobInProgress.java:817) [ScriptRunner]

每次我们尝试using skewed 时都可以重现这种情况，并且在我们使用常规连接时不会发生这种情况。

我们尝试设置mapreduce.jobtracker.split.metainfo.maxsize=-1，我们可以在job.xml文件中看到它，但它并没有改变任何东西！

这里发生了什么？这是using skewed 创建的分发示例的错误吗？为什么将参数更改为-1 没有帮助？

【问题讨论】：

决定提交一个jira bug：issues.apache.org/jira/browse/PIG-3411，会更新
我们发现改变mapreduce.jobtracker.split.metainfo.maxsize已知在job级别不起作用，只在jobTracker级别起作用，见这里：groups.google.com/a/cloudera.org/forum/#!topic/cdh-user/…
你有没有找到解决这个问题的方法？我们面临着类似的问题。
@KennethJ，我不这么认为，而且这个错误似乎仍然存在..

标签： hadoop apache-pig skew

【解决方案1】：

1MB 的小表足够小，可以放入内存，请尝试复制连接。复制连接只是 Map，不会像其他类型的连接那样导致 Reduce 阶段，因此不受连接键中的倾斜的影响。应该很快。

big = LOAD 'big_data' AS (b1,b2,b3);
tiny = LOAD 'tiny_data' AS (t1,t2,t3);
mini = LOAD 'mini_data' AS (m1,m2,m3);
C = JOIN big BY b1, tiny BY t1, mini BY m1 USING 'replicated';

大表总是语句中的第一个。

更新 1： 如果原始形式的小表不适合内存，那么作为一种解决方法，您需要将小表分区为足够小以适合内存的分区，而不是将相同的分区应用于大表，希望您可以将相同的分区算法添加到创建大表的系统中，这样您就不会浪费时间对其进行重新分区。分区后可以使用replicated join，但需要为每个分区单独运行pig脚本。

【讨论】：

好主意，但小表不是 1MB（已编辑问题）并且不适合 hadoop 缓存（尝试过）
更新了答案。请参阅更新 1。
再次感谢，但我正在寻找原始问题的解释。这是一个很酷的解决方法，但在我了解传统连接有什么问题之前，我不会这样做
在这种情况下，您需要下载您拥有的 Pig 版本的源代码，搜索“Split metadata size exceeded”并分析代码。

【解决方案2】：

在较新版本的 Hadoop（>=2.4.0 但可能更早）中，您应该能够使用以下配置属性在作业级别设置最大拆分大小：

mapreduce.job.split.metainfo.maxsize=-1

【讨论】：