pig 为啥它运行多个mapreduce 进程？

Posted 2023-04-18

技术标签:

【中文标题】pig 为啥它运行多个mapreduce 进程？【英文标题】：pig why it runs more than one mapreduce process?pig 为什么它运行多个mapreduce 进程？ 【发布时间】：2016-11-18 01:23:00 【问题描述】：

我有一个复杂的猪脚本。从它的日志中，我可以看到它依次跨越 2 或 3 个 MR 进程，具体取决于数据量。（假设是 A 和 B）

PS：只有A完成后才会触发B

这是预期的吗？有没有办法找出我的猪脚本的哪一部分触发了哪个地图减少过程？我的最终目标是优化 pig 脚本以更快地运行。

我的任务的简单版本如下。这个 Pig 脚本会检查来自不同应用程序的大量日志文件。对于每个日志，它使用正则表达式解析数据并报告流量计数、每小时各种维度的平均响应时间等指标

代码真的很长，并且使用过滤器执行多个 for-each、一个联接和一个具有多个维度的大 GROUP BY。

【问题讨论】：

【参考方案1】：

您可以将EXPLAIN 到view Pig's execution plan 用于您的脚本。你会得到这样的输出：

A = LOAD 'student' AS (name:chararray, age:int, gpa:float);

B = GROUP A BY name;

C = FOREACH B GENERATE COUNT(A.age);

EXPLAIN C;
-----------------------------------------------
Logical Plan:
-----------------------------------------------
Store xxx-Fri Dec 05 19:42:29 UTC 2008-23 Schema: long Type: Unknown
|
|---ForEach xxx-Fri Dec 05 19:42:29 UTC 2008-15 Schema: long Type: bag
etc ...  

-----------------------------------------------
Physical Plan:
-----------------------------------------------
Store(fakefile:org.apache.pig.builtin.PigStorage) - xxx-Fri Dec 05 19:42:29 UTC 2008-40
|
|---New For Each(false)[bag] - xxx-Fri Dec 05 19:42:29 UTC 2008-39
    |   |
    |   POUserFunc(org.apache.pig.builtin.COUNT)[long] - xxx-Fri Dec 05 
 etc ...  

--------------------------------------------------
| Map Reduce Plan                               
-------------------------------------------------
MapReduce node xxx-Fri Dec 05 19:42:29 UTC 2008-41
Map Plan
Local Rearrange[tuple]chararray(false) - xxx-Fri Dec 05 19:42:29 UTC 2008-34
|   |
|   Project[chararray][0] - xxx-Fri Dec 05 19:42:29 UTC 2008-35
 etc ...

然后，查看Optimization Rules 和Performance Enhancers 寻找调整您的管道的机会。

【讨论】：

【参考方案2】：

这种行为可能是可能的，因为您的纱线容器已满，正如您所说，您有大量数据集，因此猪会在内部触发映射减速器，并且每个减速任务可能正在谈论整个纱线容器，因此在成功执行 1 个任务后休息任务将被执行。您可以使用 ambari 控制台 (gui) 或使用命令检查您的 MR 作业统计信息