一、输入格式
1、输入分片split
一个分片对应一个map任务;
一个分片包含一个表(整个文件)上的若干行,而一条记录(单行)对应一行;
分片包含一个以字节为单位的长度 和 一组存储位置,分片不包含实际的数据;
map处理时会用分片的大小来排序,优先处理最大的分片;
hadoop中Java定义的分片为InputSplit抽象类:主要两个方法,涉及分片长度,分片起始位置
public abstract class InputSplit{ public abstract long getLength() throws IOException, InterruptedException; public abstract String[] getLocations() throws IOException, InterruptedException; }
InputSplit不需要手动去处理它,它是由InputFormat生成;InputFormat负责产生输入分片并将它们分割成记录:
public abstract class InputFormat<K, V> { public abstract List<InputSplit> getSplits( JobContext context) throws IOException, InterruptedException; public abstract RecordReader<K, V> createRecordReader(InputSplit split, TaskAttemptContext context) throws IOException, InterruptedException; }
InputFormat抽象类定义的两个方法:getSplits() 和 createRecordReader()
运行作业的客户端会调用getSplits()来计算分片,然后将它们发送到jobtracker,jobtracker会使用其存储位置来调度map任务从而在tasktracker上来处理这个分片数据。在tasktracker上,map任务把输入分片传给InputFormat的getRecordReader()方法来获得这个分片的RecordReader。RecordReader就是一个集合迭代器,map任务用一个RecordReader来生成记录的键/值对,然后再传递给map函数。
2、FileInputFormat类
FileInputFormat类是所有指定数据源实现类的基类,它本身主要有两个功能:a. 指定输入文件位置;b. 输入文件生成分片的实现代码段,具体实现由子类完成;
继承图:
设置输入文件位置:
FileInputFormat.addInputPath(job, new Path("hdfs://fileClusters:9000/wordcount.txt"));
或 FileInputFormat.setInputPaths(job, new Path("hdfs://fileClusters:9000/wordcount.txt"));
可添加文件过滤器, FileInputFormat 中静态方法:
public static void setInputPathFilter(Job job, Class<? extends PathFilter> filter)
文件添加时,默认就会有一个过滤器,过滤掉"." 和 "_"开头的文件,会过滤掉隐藏文件;自定义的过滤器也是在默认过滤的基础上过滤;
切分的分片大小:
一个split的大小计算:max( minimumSize, min( maximumSize, blockSize ));
minimumSize默认为1,maximumSize默认为Long.MAX_VALUE;
所以通常 blockSize 在 minimumSize和maximumSize之间,所以一般分片大小就是块大小。
设置不切分文件:
两种方法:
a. 设置minimumSize的大小为Long.MAX_VALUE;
b. 在实现FileInputFormat的子类时,重写isSplitable()方法返回为false;
在mapper中获取文件分片信息:
在mapper中可以获取当前处理的分片的信息,可通过context.getInputSplit()方法来获取一个split;当输入的格式源于FileInputFormat时,该方法返回的InputSplit可以被强制转换化一个FileSplit(继承自InputSplit),可调用如下信息:
a. getPath() Path/String 文件的路径
b. getStart() long
c. getLength() long
自定义一个输入格式,把整个文件作为一条记录:
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
// Example 7-2. An InputFormat for reading a whole file as a record class WholeFileInputFormat extends FileInputFormat<NullWritable, BytesWritable> { @Override protected boolean isSplitable(JobContext context, Path file) { return false; } @Override public RecordReader<NullWritable, BytesWritable> createRecordReader(InputSplit split, TaskAttemptContext context) throws IOException, InterruptedException { WholeFileRecordReader reader = new WholeFileRecordReader(); reader.initialize(split, context); return reader; } } //主要是实现RecordReader类 class WholeFileRecordReader extends RecordReader<NullWritable, BytesWritable> { private FileSplit fileSplit; private Configuration conf; private BytesWritable value = new BytesWritable(); private boolean processed = false; @Override public void initialize(InputSplit split, TaskAttemptContext context) throws IOException, InterruptedException { this.fileSplit = (FileSplit) split; this.conf = context.getConfiguration(); } @Override public boolean nextKeyValue() throws IOException, InterruptedException { if (!processed) { byte[] contents = new byte[(int) fileSplit.getLength()]; Path file = fileSplit.getPath(); FileSystem fs = file.getFileSystem(conf); FSDataInputStream in = null; try { in = fs.open(file); IOUtils.readFully(in, contents, 0, contents.length); value.set(contents, 0, contents.length); } finally { IOUtils.closeStream(in); } processed = true; return true; } return false; } @Override public NullWritable getCurrentKey() throws IOException, InterruptedException { return NullWritable.get(); } @Override public BytesWritable getCurrentValue() throws IOException, InterruptedException { return value; } @Override public float getProgress() throws IOException { return processed ? 1.0f : 0.0f; } @Override public void close() throws IOException { // do nothing } } }
整个文件作为一条记录的应用,把多个小文件合并为一个大文件:
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
public class SmallFilesToSequenceFileConverter extends Configured implements Tool { static class SequenceFileMapper extends Mapper<NullWritable, BytesWritable, Text, BytesWritable> { private Text filenameKey; @Override protected void setup(Context context) throws IOException, InterruptedException { InputSplit split = context.getInputSplit(); Path path = ((FileSplit) split).getPath(); filenameKey = new Text(path.toString()); } @Override protected void map(NullWritable key, BytesWritable value, Context context) throws IOException, InterruptedException { context.write(filenameKey, value); } } @Override public int run(String[] args) throws Exception { Job job = JobBuilder.parseInputAndOutput(this, getConf(), args); if (job == null) { return -1; } job.setInputFormatClass(WholeFileInputFormat.class); job.setOutputFormatClass(SequenceFileOutputFormat.class); job.setOutputKeyClass(Text.class); job.setOutputValueClass(BytesWritable.class); job.setMapperClass(SequenceFileMapper.class); return job.waitForCompletion(true) ? 0 : 1; } public static void main(String[] args) throws Exception { int exitCode = ToolRunner.run(new SmallFilesToSequenceFileConverter(), args); System.exit(exitCode); } }
文本输入:
a. TextInputFormat 行首偏移量:行内容
b. KeyValueTextInputFormat 以tab划分一行的key value
c. NLineInputFormat 让每个map收到定义的相同行数,每个分片只包含N行
二进制输入:
Hadoop的MapReduce不只是可以处理文本信息,还可以处理二进制格式,通过会用以下几个类:
SequenceFileInputFormat,处理SequenceFile 和 MapFile的文件类型;
SequenceFileAsTextInputFormat 是 SequenceFileInputFormat的扩展,它将SequenceFile的键值转换为Text对象,这个转化是通过键和值上调用toString()方法实现。
SequenceFileAsBinaryInputFormat 也是SequenceFileInputFormat的扩展,它将SequenceFile的键值作为二进制对象。它们被封装为BytesWritable对象,因而可以任意解释这些字节数组。
多输入MultipleInputs:
它可为每条输入路径指定InputForamt 和 Mapper:
MutipleInputs.addInputPath(job , ncdcInputPath, TextInputFormat.class, MaxTemperatureMapper.class); MutipleInputs.addInputPath(job ,metofficeInputPath, TextInputFormat.class, MetofficeMaxTemperatureMapper.class); //MutipleInputs还有一个重载,当只用一个Mapper时 public static void addInputPath(Job job, Path path, class<? extends InputFormat> inputFormatClass);
它取代了FileInputFormat.addInputPath() 和 job.setMapperClass()的调用。
合成输入:CompositeInputFormat ( join )、CombineFileInputFormat ( 多个小文件合并成一个split输入,是一个抽象类 )
二、输出格式
继承图:
文体输出TextOutputFormat:
默认的输出是文本输出TextOutputFormat,它把每条记录写为文本行,它调用toString()方法把key value转化为字符串。
与之对应的输入为KeyValueTextInputFormat;
二进制输出:与输入对应。
多输出:
默认一个reducer生成一个输出文件,命名为part-r-00000;
有时需要对输出的文件名进行控制 或 让每个redeucer输出多个文件,可利用 MultipleOutputFormat 类;
范例:按气象站来区分气象数据,各个气象站输出到不同的文件中:
方法一:可利用每个reducer创建一个输出文件的特点,通过设置多个分区,来输出到各个文件,这样做有两点不好:
a. 分区个数必须预先就知道;可能有空reducer,可能有的获取不到气象站信息导致值丢失;
b. 每个reducer处理一个气象站,可能需要过多的reducer,也会有严重的数据倾斜问题;
方法二:使用 MutipleOutputs 类:
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
public class PartitionByStationUsingMultipleOutputs extends Configured implements Tool { static class StationMapper extends Mapper<LongWritable, Text, Text, Text> { private NcdcRecordParser parser = new NcdcRecordParser(); @Override protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException { parser.parse(value); context.write(new Text(parser.getStationId()), value); } } static class MultipleOutputsReducer extends Reducer<Text, Text, NullWritable, Text> { private MultipleOutputs<NullWritable, Text> multipleOutputs; @Override protected void setup(Context context) throws IOException, InterruptedException { multipleOutputs = new MultipleOutputs<NullWritable, Text>(context); } @Override protected void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException { for (Text value : values) { multipleOutputs.write(NullWritable.get(), value, key.toString()); } } @Override protected void cleanup(Context context) throws IOException, InterruptedException { multipleOutputs.close(); } } @Override public int run(String[] args) throws Exception { Job job = JobBuilder.parseInputAndOutput(this, getConf(), args); if (job == null) { return -1; } job.setMapperClass(StationMapper.class); job.setMapOutputKeyClass(Text.class); job.setReducerClass(MultipleOutputsReducer.class); job.setOutputKeyClass(NullWritable.class); return job.waitForCompletion(true) ? 0 : 1; } public static void main(String[] args) throws Exception { int exitCode = ToolRunner.run(new PartitionByStationUsingMultipleOutputs(), args); System.exit(exitCode); } }
输出文件结果如下:
output/010010-99999-r-00027
output/010050-99999-r-00013
output/010100-99999-r-00015
output/010280-99999-r-00014
方法三:MultipleOutputFormat(旧API已移弃)的使用
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
public static class WordCountOutputFormat extends MultipleOutputFormat<Text, IntWritable> { private TextOutputFormat<Text, IntWritable> output = null; @Override protected RecordWriter<Text, IntWritable> getBaseRecordWriter(FileSystem fs, JobConf job, String name, Progressable arg3) throws IOException { if (output == null) { output = new TextOutputFormat<Text, IntWritable>(); } return output.getRecordWriter(fs, job, name, arg3); } @Override protected String generateFileNameForKeyValue(Text key, IntWritable value, String name) { char c = key.toString().toLowerCase().charAt(0); if (c >= 'a' && c <= 'z') { return c + ".txt"; } return "result.txt"; } }