Hadoop 作业的 CPU 时间意味着什么？

Question

恐怕我不明白 Map-Reduce 作业的计时结果。例如，我正在运行的一项工作为我提供了来自工作跟踪器的以下结果。

完成时间：1 分 39 秒

花费的 CPU 时间（毫秒）150,460 152,030 302,490

CPU 时间（毫秒）中的条目分别用于 Map、Reduce 和 Total。但是，那么如何衡量“花费的 CPU 时间”以及它意味着什么？这是分配给作业的每个映射器和缩减器所花费的总累积时间吗？是否可以从框架中测量其他时间，例如随机播放、排序、分区等时间？如果有，怎么做？

困扰我的第二个问题。我在这里看到了一些帖子（Link1、Link2）建议在驱动程序类中使用 getTime() ：

long start = new Date().getTime();
boolean status = job.waitForCompletion(true);
long end = new Date().getTime();
System.out.println("Job took "+(end-start) + "milliseconds");

这不是在做 Job Tracker 输出中的第一个条目提供的吗？这是必要的吗？为 hadoop 作业计时的最佳方法是什么，尤其是当我想计时 IO 时间、计算每个节点/每个阶段的时间时？

Answer 1

映射阶段包括：记录读取器、映射、组合器和分区器。

reduce 阶段包括：shuffle、sort、reduce、output。

您看到的 CPU 时间包括整个 map 阶段和整个 reduce 阶段......不仅仅是函数本身。这是一种令人困惑的术语，因为您有 map 函数和 reduce 函数，它们只是 map phase 和 reduce phase 的一部分。这是集群中所有节点的总 CPU 时间。

CPU 时间与实时有很大不同。 CPU时间是在CPU上花费的时间，而实时是你我作为人类所经历的。想一想：假设您有相同的作业在相同的数据上运行，但在一个 20 节点集群上，然后是 200 节点集群。总体而言，两个集群将使用相同数量的 CPU 时间，但 200 节点集群的实时运行速度将提高 10 倍。当您有一个共享系统同时在其上运行大量作业时，CPU 时间是一个有用的指标。​​

我不知道您将如何深入研究以获取每个阶段的 CPU 时间。不过，使用日期计时器可能不是您想要的。