在Hadoop的MapReduce框架中包括6種Counters，每一種包含若干個Counter，分別對Map和Reduce任務進行統計
Tips：圖片中是Hadoop2.7.3 Counters 略有更新 注意區分 其實根據字面意思大概就知道這個Counter是幹啥的
1、File System Counters
表示job與文件系統交互的讀寫統計
FILE_BYTES_READ： job讀取本地文件系統的文件字節數
FILE_BYTES_WRITTEN ： job向本地文件系統寫入的文件字節數
HDFS_BYTES_READ ： job讀取HDFS的文件字節數（包括元數據，所以比FileInputFormatCounters中的BYTES_READ略大）
HDFS_BYTES_WRITTEN： job向HDFS寫入的文件字節數
2、Job Counters
描述與job調度相關的統計
Data-local map tasks ： Job被調度時，啓動了一個data-local(在源文件的副本上執行map task的taskTracker（在hadoop 2.0中應該是NodeManager）) 【可以理解爲數據本地化】
FALLOW_SLOTS_MILLIS_MAPS ：當前job爲某些map task的執行保留了slot，總共保留的時間是多少 ，此Counter就是多少（毫秒）
FALLOW_SLOTS_MILLIS_REDUCES ：當前job爲某些reduce task的執行保留了slot，總共保留的時間是多少 ，此Counter就是多少（毫秒）
SLOTS_MILLIS_MAPS ： 所有map task佔用slot的總時間，包含執行時間和創建/銷燬子JVM的時間 （毫秒）
SLOTS_MILLIS_REDUCES： 所有reduce task佔用slot的總時間，包含執行時間和創建/銷燬子JVM的時間 （毫秒）
Launched map tasks ： 此job啓動了多少個map task
Launched reduce tasks ： 此job啓動了多少個reduce task
3、Map-Reduce Framework
這個類型包含了相當多job執行的細節
一般情況下：
- record就表示一行數據
- byte表示這行數據的大小是多少
Combine input records： Combiner是爲了減少儘量減少需要拉取和移動的數據，所以combine輸入條數與map的輸出條數是一致的。
Combine output records：經過Combiner後，相同key的數據經過壓縮，在map端自己解決了很多重複數據，表示最終在map端中間文件中的所有條目數
Failed Shuffles： copy線程在抓取map端中間數據時，如果因爲網絡連接異常或是IO異常，所引起的shuffle錯誤次數
GC time elapsed (ms)：通過JMX獲取到執行map與reduce的子JVM總共的GC時間消耗
Map input records：所有map task從HDFS讀取的文件總行數
Map output bytes：Map的輸出結果key/value都會被序列化到內存緩衝區中，所以這裏的bytes指序列化後的最終字節之和
Map output records： map task的直接輸出record是多少，就是在map方法中調用context.write的次數，也就是未經過Combine時的原生輸出條數
Merged Map outputs： 記錄着shuffle過程中總共經歷了多少次merge動作
Reduce input groups： Reduce總共讀取了多少個這樣的groups
Reduce input records： 如果有Combiner的話，那麼這裏的數值就等於map端Combiner運算後的最後條數，如果沒有，那麼就應該等於map的輸出條數
Reduce output records： 所有reduce執行後輸出的總條目數
Reduce shuffle bytes：Reduce端的copy線程總共從map端抓取了多少的中間數據，表示各個map task最終的中間文件總和
Shuffled Maps： 每個reduce幾乎都得從所有map端拉取數據，每個copy線程拉取成功一個map的數據，那麼增1，所以它的總數基本等於 reduce number * map number
Spilled Records： spill過程在map和reduce端都會發生，這裏統計在總共從內存往磁盤中spill了多少條數據
SPLIT_RAW_BYTES： 與map task 的split相關的數據都會保存於HDFS中，而在保存時元數據也相應地存儲着數據是以怎樣的壓縮方式放入的，它的具體類型是什麼，這些額外的數據是MapReduce框架加入的，與job無關，這裏記錄的大小就是表示額外信息的字節大小
4、Shuffle Errors
描述Shuffle過程中的各種錯誤情況發生次數，基本定位於Shuffle階段copy線程抓取map端中間數據時的各種錯誤
BAD_ID： 每個map都有一個ID，如果reduce的copy線程抓取過來的元數據中這個ID不是標準格式，那麼此Counter增加
CONNECTION ： 表示copy線程建立到map端的連接有誤 ，那麼此Counter增加
IO_ERROR： copy線程如果在抓取map端數據時出現IOException，那麼此Counter增加
WRONG_LENGTH：map端的中間結果是壓縮數據，所以有兩個length信息：源數據大小與壓縮後數據大小。如果這兩個length信息傳輸的有誤(負值)，那麼此Counter增加
WRONG_MAP： 每個copy線程抓取的map數據不是copy線程之前定義好的map，那麼就表示把數據拉錯了 ，那麼此Counter增加
WRONG_REDUCE：如果copy線程抓取的數據不是爲此reduce而準備的，那還是拉錯數據了，那麼此Counter增加
5、File Input Format Counters
表示map task讀取文件內容(總輸入數據)的統計
- BYTES_READ：map task的所有輸入數據(字節)，等於各個map task的map方法傳入的所有value值字節之和
6、File Output Format Counters
表示reduce task寫出文件內容(總輸入數據)的統計
- BYTES_Written：reduce task的所有輸出數據(字節)，等於各個reduce task的reduce方法寫出的所有value值字節之和
