Hadoop可以'；“我不能完成这项工作，因为”；设备上没有剩余空间”；

我正在尝试运行一个非常简单的hadoop作业。这是对经典wordCount的修改，它不计算单词，而是计算文件中的行数。我想用它来清理一堆我知道有重复的大日志文件（每个大约70GB）。每一行都是一个“记录”，因此我只想得到每一条记录一次

我知道我的代码是有效的，因为当我用小的普通文件运行它时，它做了它应该做的事情。当我使用大文件运行它时，Hadoop的行为非常严格。首先，它在映射阶段开始正确工作，这通常达到100%，没有问题。然而，在处理REDUCE时，它从未达到50%以上。它可能达到40%，然后在显示一些“设备上没有剩余空间”异常后返回到0%：

FSError: java.io.IOException: No space left on device

然后它再次尝试减少，当它达到40%时，它再次下降到0%，以此类推。当然，在决定以失败告终之前，它会这样做两三次

但是，这个异常的问题是，它不能与磁盘上的实际空间相关联。磁盘空间永远不会满。不是HDFS上的总（全局）空间，也不是每个节点中的单个磁盘。我通过以下方式检查fs状态：

$ hadoop dfsadmin -report > report

此报告从不显示达到100%的实际节点。事实上，没有一个节点可以接近这一点

我在每个节点上都有大约60GB的可用磁盘，我在一个包含60个数据节点的集群中运行它，这给了我超过3TB的总空间。我试图处理的文件只有70GB

在互联网上，我发现这可能与Hadoop在处理大量数据时创建了太多文件有关。原始的wordCount代码大大减少了数据量（因为单词重复很多）。一个70GB的文件可以减少到7MB的输出。但是，我希望只减少1/3，或者输出大约20-30GB

Unix类型的系统每个进程最多只能打开1024个文件：

$ ulimit -n
1024

如果hadoop创造的不止这些，那可能是个问题。我要求系统管理员将该限制增加到65K，即现在的限制为：

$ ulimit -n
65000

问题还在继续。这是否意味着我需要进一步增加这个限制？这里还有别的事吗

非常感谢你的帮助

代码如下：

package ...;

import java.io.IOException;
import java.util.StringTokenizer;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;

public class LineCountMR {

  public static class MapperClass 
       extends Mapper<Object, Text, Text, IntWritable>{

    private final static IntWritable one = new IntWritable(1);
    private Text word = new Text();
    private String token = new String();        

    public void map(Object key, Text value, Context context
                    ) throws IOException, InterruptedException {

        token = value.toString().replace(' ', '_');
        word.set(token);
        context.write(word, one);   
    }
  }

  public static class ReducerClass 
       extends Reducer<Text,IntWritable,Text,IntWritable> {
    private IntWritable result = new IntWritable();

    public void reduce(Text key, Iterable<IntWritable> values, 
                       Context context
                       ) throws IOException, InterruptedException {
      int sum = 0;
      for (IntWritable val : values) {
        sum += val.get();
      }
      result.set(sum);
      context.write(key, result);
    }
 }

  public static void main(String[] args) throws Exception {
    Configuration conf = new Configuration();;
    if (args.length != 2) {
      System.err.println("Parameters: <in> <out>");
      System.exit(2);
    }
    Job job = new Job(conf, "line count MR");
    job.setJarByClass(LineCountMR.class);
    job.setMapperClass(MapperClass.class);
    job.setCombinerClass(ReducerClass.class);
    job.setReducerClass(ReducerClass.class);
    job.setOutputKeyClass(Text.class);
    job.setOutputValueClass(IntWritable.class);
    FileInputFormat.addInputPath(job, new Path(args[0]));
    FileOutputFormat.setOutputPath(job, new Path(args[1]));
    System.exit(job.waitForCompletion(true) ? 0 : 1);
  }
}

包。。。；
导入java.io.IOException；
导入java.util.StringTokenizer；
导入org.apache.hadoop.conf.Configuration；
导入org.apache.hadoop.fs.Path；
导入org.apache.hadoop.io.IntWritable；
导入org.apache.hadoop.io.Text；
导入org.apache.hadoop.mapreduce.Job；
导入org.apache.hadoop.mapreduce.Mapper；
导入org.apache.hadoop.mapreduce.Reducer；
导入org.apache.hadoop.mapreduce.lib.input.FileInputFormat；
导入org.apache.hadoop.mapreduce.lib.output.FileOutputFormat；
导入org.apache.hadoop.util.GenericOptionsParser；
公共类LineCountMR{
公共静态类MapperClass
扩展映射器{
私有最终静态IntWritable one=新的IntWritable（1）；
私有文本字=新文本（）；
私有字符串标记=新字符串（）；
公共无效映射（对象键、文本值、上下文
)抛出IOException、InterruptedException{
token=value.toString（）.replace（'''.''）；
word.set（令牌）；
上下文。写（单词，一）；
}
}
公共静态类约简类
伸缩减速机{
私有IntWritable结果=新的IntWritable（）；
public void reduce（文本键、Iterable值、，
语境
)抛出IOException、InterruptedException{
整数和=0；
for（可写入值：值）{
sum+=val.get（）；
}
结果集（总和）；
编写（键、结果）；
}
}
公共静态void main（字符串[]args）引发异常{
Configuration conf=新配置（）；；
如果（参数长度！=2）{
System.err.println（“参数：”）；
系统出口（2）；
}
作业作业=新作业（配置，“行计数MR”）；
job.setJarByClass（LineCountMR.class）；
job.setMapperClass（MapperClass.class）；
job.setCombinerClass（ReducerClass.class）；
job.setReduceClass（reduceClass.class）；
job.setOutputKeyClass（Text.class）；
job.setOutputValueClass（IntWritable.class）；
addInputPath（作业，新路径（args[0]）；
setOutputPath（作业，新路径（args[1]）；
系统退出（作业等待完成（真）？0:1；
}
}

在处理10TB数据时，我在集群上看到了这个问题。这个问题与HDFS上的空间可用性无关，而是与本地文件系统（df-h）上的可用空间有关，本地文件系统（df-h）用于存储map reduce操作期间生成的中间数据，该数据存储在本地，而不是HDFS中。

在我的例子中是Hadoop cache dir

ubuntu@ip-*-*-*-*:/tmp/hadoop-ubuntu/mapred/local/localRunner/ubuntu/jobcache

---

清理它解决了问题。

您运行了多少个还原器，是否配置了压缩映射输出，是否使用组合器？您是否记录了大量调试消息？您可以发布代码吗？您是否可以运行压缩编解码器以减小MR输出的大小？这可以让您确定这是否真的是一个空间问题。我有一个问题，我运行我的工作对压缩源文件的4.2GB，解压缩是120GB。因为MR输出被解压缩，它膨胀到230GB，所以我遇到了这个问题。你的源文件也被压缩了吗？谢谢你的回复。下面是您问题的答案：对于Chris White：“您运行了多少个减速机，是否配置了压缩映射输出，是否使用组合器？是否记录了大量调试消息？是否可以发布代码？”关于减速机，我使用的是标准配置。我没有设置更多的减速器。我猜每个节点有2个映射器和2个还原器，对吗？我没有使用组合器。我应该在这种情况下使用它吗？。有条不紊