[hadoop源码阅读][5]-counter的使用和默认counter的含义

chaosxin

　　ps:
　　在map和reduce的过程中,可以通过设置Context.setStatus()来随时设置状态,这个底层也是使用reporter来设置的
　　1.在0.20.x版本中使用counter很简单,直接定义即可，如无此counter，hadoop会自动添加此counter.
　　Counter ct = context.getCounter("INPUT_WORDS", "count");
　　ct.increment(1);   
　　2.在0.19.x版本中,需要定义enum

　　enum MyCounter {INPUT_WORDS };
　　reporter.incrCounter(MyCounter.INPUT_WORDS, 1);
　　RunningJob job = JobClient.runJob(conf);
　　Counters c = job.getCounters();
　　long cnt = c.getCounter(MyCounter.INPUT_WORDS);
　　
　　3.默认counter的含义
　　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
　　

　　4.分析counter和reporter的
　　http://blog.sina.com.cn/s/blog_61ef49250100uxwh.html
　　5.其他
　　Hadoop: The Definitive Guide 第8章hadoop features
　　http://blog.sina.com.cn/s/blog_61ef49250100uxwh.html
　　http://lintool.github.com/Cloud9/docs/content/counters.html

　　http://langyu.iteye.com/blog/1171091