一、输入格式
（1）输入分片记录
①JobClient通过指定的输入文件的格式来生成数据分片InputSplit；
②一个分片不是数据本身，而是可分片数据的引用；
③InputFormat接口负责生成分片；
源码位置：org.apache.hadoop.mapreduce.lib.input包(新)
org.apache.hadoop.mapred.lib 包(旧)
查看其中FileInputFormat类中的getSplits（）方法；
computeSplitSize（）函数决定分片大小；
各种输入类的结构关系图：
（2）文件输入
抽象类：FileInputFormat
①FileInputFormat是所有使用文件作为数据源的InputFormat实现的基类；
②FileInputFormat输入数据格式的分配大小由数据块大小决定；
抽象类：CombineFileInputFormat
①可以使用CombineFileInputFormat来合并小文件；
②因为CombineFileInputFormat是一个抽象类，使用的时候需要创建一个CombineFileInputFormat的实体类，并且实现getRecordReader（）的方法；
③避免文件分割的方法：
A.数据块大小尽可能大，这样使文件的大小小于数据块的大小，就不用进行分片；
B.继承FileInputFormat，并且重载isSplitable（）方法；
（3）文本输入
类名：TextInputFormat
①TextInputFormat是默认的InputFormat，每一行数据就是一条记录；
②TextInputFormat的key是LongWritable类型的，存储该行在整个文件的偏移量，value是每行的数据内容，Text类型；
③输入分片与HDFS数据块关系：TextInputFormat每一条记录就是一行，很有可能某一行跨数据块存放；
类名：KeyValueInputFormat类
可以通过key为行号的方式来知道记录的行号，并且可以通过key.value.separator.in.input设置key与value的分割符；
类名：NLineInputFormat类
可以设置每个mapper处理的行数，可以通过mapred.line.input.format.lienspermap属性设置；
（4）二进制输入
类名：SequenceFileInputFormat
SequenceFileAsTextInputFormat
SequenceFileAsBinaryInputFormat
由于SequenceFile能够支持Splittable，所以能够作为mapreduce输入文件的格式，能够很方便的得到已经含有，value>的分片；
（5）多文件输入
类名：MultipleInputs
①MultipleInputs能够提供多个输入数据类型；
②通过addInputPath（）方法来设置多路径；
（6）数据库格式输入
类名：DBInputFormat
①DBInputFormat是一个使用JDBC并且从关系型数据库中读取数据的一种输入格式；
②避免过多的数据库连接；
③HBase中的TableInputFormat可以让MapReduce程序访问HBase表里的数据；
实验部分：
新建项目TestMRInputFormat,新建包com.mr，导入相关依赖包
实验①，以SequenceFile作为输入，故预先运行SequenceFileWriter.java产生一个b.seq文件；
新建类：TestInputFormat1.java(基于WordCount.java修改)：
package com.mr;
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 TestInputFormat {
public static class TokenizerMapper
extends Mapper< IntWritable, Text, Text, IntWritable>{
private final static IntWritable one = new IntWritable(1);
private Text word = new Text();
public void map(IntWritable key, Text value, Context context
) throws IOException, InterruptedException {
StringTokenizer itr = new StringTokenizer(value.toString());
while (itr.hasMoreTokens()) {
word.set(itr.nextToken());
context.write(word, one);
}
}
}
public static class IntSumReducer
extends Reducer {
private IntWritable result = new IntWritable();
public void reduce(Text key, Iterable 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();
String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
if (otherArgs.length != 2) {
System.err.println("Usage: wordcount ");
System.exit(2);
}
Job job = new Job(conf, "word count");
job.setJarByClass(TestInputFormat.class);
job.setMapperClass(TokenizerMapper.class);
job.setCombinerClass(IntSumReducer.class);
job.setReducerClass(IntSumReducer.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
job.setInputFormatClass(SequenceFileInputFormat.class);//输入格式的设定
FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
}
Eclipse中运行，参数配置如下图：
输出统计结果如下：
实验②，多种来源输入：
TestInputFormat2.java：
package com.mr;
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.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
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.input.MultipleInputs;
import org.apache.hadoop.mapreduce.lib.input.SequenceFileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;
public class TestInputFormat2 {
public static class Mapper1 //第一个mapper类
extends Mapper<<font color="#ed1c24">LongWritable, Text, Text, IntWritable>{
private final static IntWritable one = new IntWritable(1);
private Text word = new Text();
public void map(LongWritable key, Text value, Context context
) throws IOException, InterruptedException {
StringTokenizer itr = new StringTokenizer(value.toString());
while (itr.hasMoreTokens()) {
word.set(itr.nextToken());
context.write(word, one);
}
}
}
public static class Mapper2 extends //第二个mapper类
Mapper {
private final static IntWritable one = new IntWritable(1);
private Text word = new Text();
public void map(IntWritable key, Text value, Context context)
throws IOException, InterruptedException {
StringTokenizer itr = new StringTokenizer(value.toString());
while (itr.hasMoreTokens()) {
word.set(itr.nextToken());
context.write(word, one);
}
}
}
public static class IntSumReducer
extends Reducer {
private IntWritable result = new IntWritable();
public void reduce(Text key, Iterable 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();
Job job = new Job(conf, "word count");
job.setJarByClass(TestInputFormat2.class);
job.setReducerClass(IntSumReducer.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
Path path1 = new Path("/a.txt");
Path path2 = new Path("/b.seq");
//多输入
MultipleInputs.addInputPath(job, path1,TextInputFormat.class, Mapper1.class);
MultipleInputs.addInputPath(job, path2,SequenceFileInputFormat.class, Mapper2.class);
FileOutputFormat.setOutputPath(job, new Path("/output2"));
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
}
创建输入文本文件a.txt：
aaa bbb
ccc aaa
ddd eee
将项目打包为jar（不知道为什么eclipse中不能运行，还没找到原因，用jar命令可以运行）：
File->Export->Runnable JAR file,命名jar文件为testMR.jar。
命令行中运行：
$hadoop jar testMR.jar com.mr.TestInputFormat2
输出统计结果如下：
二、输出格式
各种类关系结构图：
（1）文本输出
类名：TextOutputFormat
①默认的输出方式，key是LongWritable类型的，value是Text类型的；
②以“key value”的方式输出行；
（2）二进制输出
类名：SequenceFileOutputFormat
SequenceFileAsTextOutputFormat
SequenceFileAsBinaryOutputFormat
MapFileOutputFormat
（3）多文件输出
类名：MultipleOutputFormat
MultipleOutputs
区别：MultipleOutputs可以产生不同类型的输出；
（4）数据库输出
类名：DBOutputFormat
http://blog.sina.com.cn/s/blog_4438ac090101qfuh.html