1． 计数器应用
计数器是用来记录job的执行进度和状态的。MapReduce 计数器（Counter）为我们提供一个窗口，用于观察 MapReduce Job 运行期的各种细节数据。对MapReduce性能调优很有帮助，MapReduce性能优化的评估大部分都是基于这些 Counter 的数值表现出来的。
MapReduce 自带了许多默认Counter。在执行mr程序的日志上，大家也许注意到了类似以下这样的信息：
Shuffle Errors
BAD_ID=0
CONNECTION=0
WRONG_REDUCE=0
File Input Format Counters
Bytes Read=89
File Output Format Counters
Bytes Written=86
内置计数器包括：
文件系统计数器（File System Counters）
作业计数器（Job Counters）
MapReduce框架计数器（Map-Reduce Framework）
Shuffle 错误计数器（Shuffle Errors）
文件输入格式计数器（File Output Format Counters）
文件输出格式计数器（File Input Format Counters）
当然， Hadoop也支持自定义计数器。在实际生产代码中，常常需要将数据处理过程中遇到的不合规数据行进行全局计数，类似这种需求可以借助mapreduce框架中提供的全局计数器来实现。
示例代码如下：
public class WordCount{
static class WordCount Mapper extends Mapper<LongWritable, Text, Text, LongWritable> {
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
Counter counter =context.getCounter(“SelfCounters”,”myCounters”);
String[] words = value.toString().split(",");
for (String word : words) {
if("hello".equals(word)){counter.increment(1)};
context.write(new Text(word), new LongWritable(1));
}
}
}2． 多job串联
一个稍复杂点的处理逻辑往往需要多个mapreduce程序串联处理，多job的串联可以借助mapreduce框架的JobControl实现
示例代码：
1. ControlledJob controlledJob1 = new ControlledJob(job1.getConfiguration());
2. controlledJob1.setJob(job1);
3. ControlledJob controlledJob2 = new ControlledJob(job2.getConfiguration());
4. controlledJob2.setJob(job2);
5. controlledJob2.addDependingJob(controlledJob1); // job2 依赖于 job1
6. JobControl jc = new JobControl(chainName);
7. jc.addJob(controlledJob1);
8. jc.addJob(controlledJob2);
9. Thread jcThread = new Thread(jc);
10. jcThread.start();
11. while(true){
12. if(jc.allFinished()){
13. System.out.println(jc.getSuccessfulJobList());
14. jc.stop();
15. return 0;
16. }
17. if(jc.getFailedJobList().size() > 0){
18. System.out.println(jc.getFailedJobList());
19. jc.stop();
20. return 1;
21. }
22. }