hadoop知识整理（3）之MapReduce之代码编写

前面2篇文章知道了HDFS的存储原理，知道了上传和下载文件的过程，同样也知晓了MR任务的执行过程，以及部分代码也已经看到，那么下一步就是程序员最关注的关于MR的业务代码（这里不说太简单的）：

一、关于MapTask的排序

　　mapTask正常情况，按照key的hashcode进行从小到大的排序操作，形成map输出，交给reduce，（据某篇博文说，hashcode排序使用的是快排，这个无从考证），这里说明一下如何使用POJO类作为key，使其进行排序。

　　1）POJO类实现WritableComparable<T>接口；

　　2）重写compareTo(T t)方法，在此方法中返回为int，使用当前对象的排序对象，减去传入对象的排序字段，便是倒序排序（按照想要的方式）。示例为按照电影热度值倒序排序。

    @Override
    public int compareTo(Movie o) {
        return this.hot-o.hot;
    }

二、关于地址复用

　　1）注意，在reduce中，关于reduce方法中的values的迭代器，一旦遍历过后，迭代器中值将不再存在；

　　2）这里是因为reduceTask在反射调用reduce方法时，为节省内存空间，使用了地址复用技术；

　　3）所以如果想让对象保存下来，那么必须将对象完全克隆，这里建议，在使用POJO时候，最好实现clone方法，以便方便保存迭代器中的对象；示例代码是重写clone方法，以方便克隆；

public Item clone(){
        Item o=null;
        try {
            o = (Item) super.clone();
        } catch (CloneNotSupportedException e) {
            // TODO Auto-generated catch block
            e.printStackTrace();
        }
        return o;
    }

三、关于多文件join

　　多文件join操作，map任务也是支持的，只需将多文件放在指定的hdfs输入目录即可，那么在map方法中，只需要将关联字段提为key，其他封装入对象，然后reduce中你想要的结果就是join后的，至于保留哪些字段，去掉冗余字段，那就全凭自己操作了。

四、关于combiner

　　根据前文，combine操作，即使将每一个maptask的输出结果，进行合并排序操作，如果程序员使用MR的人，指定了conbine操作的存在，那么maptask会根据spill内存缓冲溢出文件的数量进行判断是否确实需要combine操作，因为combine操作也会浪费资源，默认值中，假如spill文件的数量小于3，那么便不会进行combine操作，否则先进行combine操作，combine操作只针对于每一个maptask小任务，然后根据shuffle的原理，这些combine后的输出文件会被reduce的复制进行拿走。combine的启用方式：

job.setCombinerClass(InventReducer.class);

此段代码运行在MRDriver中，指定一个combiner的reduce类，和reduce的思路以及代码方式都一样：

public class InventReducer extends Reducer<Text, Text, Text, Text>{
    @Override
    protected void reduce(Text key, Iterable<Text> values, Reducer<Text, Text, Text, Text>.Context context)
            throws IOException, InterruptedException {
        int count=0;
        for(Text t:values){
            count++;
        }
        String[] sss=key.toString().split(" ");
        context.write(new Text(sss[0]), new Text(sss[1]+" "+count));
    }
}

五、关于分区

　　指定分区类，分区操作是在maptask中进行，当maptask输出文件结束后，maptask会根据spill文件进行排序和分区操作。

　　Driver中指定分区类：

job.setPartitionerClass(AuthPartitioner.class);

　　分区类代码：

　　分区类中，key为maptask的输出key，int numPartitions为分区编号，有几个分区编号，将会分几个区。

public class AuthPartitioner extends Partitioner<IntWritable, IntWritable>{
    @Override
    public int getPartition(IntWritable key, IntWritable value, int numPartitions) {
        String num=String.valueOf(key.get());
        if(num.matches("[0-9][0-9]")||num.matches("[0-9]")){
            return 0;
        }
        if(num.matches("[0-9][0-9][0-9]")){
            return 1;
        }else{
            return 2;
        }
        
    }
}

　　分区的目的在于指定的多个reduceTask可以分别处理自己分区的数据，以便让数据均匀地落盘。

六、关于Job链

　　这就是在Java代码中让多个Job串起来，实现很简单：代码写在Driver中

//判断上一个Job的完成情况
if (job.waitForCompletion(true)){
    //执行第二个Job代码          
}

七、自定义格式输入（Map的输入）

　　默认map方法的输入为：间隔字符数量long型、本行数据text类型；

　　假如想改变这些输入，假如将第一个key输入变为intWritable

　　需要一个Format类和Reader类：

public class AuthFormat extends FileInputFormat<IntWritable, Text>{
    @Override
    public RecordReader<IntWritable, Text> createRecordReader(InputSplit split, TaskAttemptContext context)
            throws IOException, InterruptedException {
        return new AuthReader();
    }
}

import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.InputSplit;
import org.apache.hadoop.mapreduce.RecordReader;
import org.apache.hadoop.mapreduce.TaskAttemptContext;
import org.apache.hadoop.mapreduce.lib.input.FileSplit;
import org.apache.hadoop.util.LineReader;
public class AuthReader extends RecordReader<IntWritable, Text>{
    private FileSplit fs ;
    private LineReader lineReader ;
    private IntWritable key ;
    private Text value ;
    //--定义一个计数器，记录本次读取到了多少行
    int count = 0;
    
    @Override
    public void initialize(InputSplit split, TaskAttemptContext context) throws IOException, InterruptedException {
        this.fs = (FileSplit) split;
        //--获取文件路径
        Path path = fs.getPath();
        //--获取文件系统
        Configuration conf = context.getConfiguration();
        FileSystem fileSystem = path.getFileSystem(conf);
        //--通过文件系统读取文件得到流
        FSDataInputStream in = fileSystem.open(path);
        //--将流包装为LineReader方便按行读取
        lineReader = new LineReader(in);
    }
    @Override
    public boolean nextKeyValue() throws IOException, InterruptedException {
        //--要返回的键，本次读取的行数
        key = new IntWritable();
        //--要返回的值，本次读取到的内容
        value = new Text();
        //--定义一个temp临时记录内容
        Text temp = new Text();
        int len = lineReader.readLine(temp);
        //--判断是否读取到了数据
        if(len == 0){
            //--表示没有行数据可读，则不再执行 nextKeyValue()方法
            return false;

        }else{
            //--读到了数据，将数据追加到value中
            //可以这样写：value=tmp; 
            //也可以像下面这样写
            value.append(temp.getBytes(), 0, temp.getLength());
            //--计数器加1，表明读取到了一行内容
            count++;
            key.set(count);
            return true;    
            }    
    }
    @Override
    public IntWritable getCurrentKey() throws IOException, InterruptedException {
        return key;
    }
    @Override
    public Text getCurrentValue() throws IOException, InterruptedException {
        return value;
    }
    @Override
    public float getProgress() throws IOException, InterruptedException {
        return 0;
    }
    @Override
    public void close() throws IOException {
        if(lineReader != null)lineReader.close();
    }

}

在上文的源码解析中，知道了Reader的作用在于一行一行地读取源文件给maptask任务。

这里相当于子类重写了父类的方法，在调用时，会直接调用子类的方法。

而在Driver中需要增加：

    job.setMapOutputKeyClass(IntWritable.class);
    job.setMapOutputValueClass(Text.class);
    job.setInputFormatClass(AuthFormat.class);

八、自定义格式输出

　　自定义格式输出的目的在于规范输出格式重量，简单来说就是可以输出想要的任意输出格式：

public class AuthOutputFormat<K,V> extends FileOutputFormat<K,V>{

    @Override
    public RecordWriter<K,V> gtetRecordWrier(TaskAttemptContext job) throws IOException, InterruptedException {
        
        //Get the default path and filename for the output format.
        //第二个参数：extension an extension to add to the filename
        Path path=super.getDefaultWorkFile(job, "");
        Configuration conf=job.getConfiguration();
        FileSystem fs=path.getFileSystem(conf);
        FSDataOutputStream out=fs.create(path);

        
        return new AuthWriter<K,V>(out,"|","
");
    }

}
public class AuthWriter<K,V> extends RecordWriter<K,V>{
    
    private FSDataOutputStream out;
    private String keyValueSeparator;
    private String lineSeparator;
    

    public AuthWriter(FSDataOutputStream out, String keyValueSeparator, String lineSeparator) {
        this.out=out;
        this.keyValueSeparator=keyValueSeparator;
        this.lineSeparator=lineSeparator;
    }

    @Override
    public void write(K key, V value) throws IOException, InterruptedException {
        out.write(key.toString().getBytes());
        out.write(keyValueSeparator.getBytes());
        out.write(value.toString().getBytes());
        out.write(lineSeparator.getBytes());
        
    }

    @Override
    public void close(TaskAttemptContext context) throws IOException, InterruptedException {
        if(out!=null)out.close();
        
    }

}

同样一个format和一个writer，然后在Driver中指定即可

//有了这句话，不用再写原来的输出语句
job.setOutputFormatClass(AuthOutputFormat.class);

九、关于多输入源

　　在Driver中指定：

public class ScoreDriver {

    public static void main(String[] args) throws Exception {
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf, "JobName");
        job.setJarByClass(cn.gjm.hadoop.ScoreDriver.class);

        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(Text.class);
        
        job.setInputFormatClass(AuthInputFormat.class);
        //需要注意，如果一个Mapper代码不能通用的解决，则需要分别指定。此时，就不能去设置
        //setMapperClass()了
        MultipleInputs.addInputPath(job, new Path("hdfs://192.168.234.21:9000/formatscore/format-score.txt"),AuthInputFormat.class,ScoreMapper.class);
        
        MultipleInputs.addInputPath(job, new Path("hdfs://192.168.234.21:9000/formatscore/format-score-1.txt"),TextInputFormat.class,ScoreMapper2.class);

    
        FileOutputFormat.setOutputPath(job, new Path("hdfs://192.168.234.21:9000/formatscore/result"));

        if (!job.waitForCompletion(true))
            return;
    }

十、多输出源

　　

public class ScoreReducer extends Reducer<Text, Text, Text, Text>{
    
    private MultipleOutputs<Text, Text> mos;
    
    @Override
    protected void reduce(Text name, Iterable<Text> scores, Reducer<Text, Text, Text, Text>.Context context)
            throws IOException, InterruptedException {
        
        for(Text score:scores){
            if(name.toString().equals("jary")){
                mos.write("jary",name,score);
            }
            if(name.toString().equals("rose")){
                mos.write("rose",name,score);
            }
            if(name.toString().equals("tom")){
                mos.write("tom", name,score);
            }
        }
        
    }
    @Override
    protected void setup(Reducer<Text, Text, Text, Text>.Context context) throws IOException, InterruptedException {
        mos=new MultipleOutputs<>(context);
    }

}
ScoreDriver代码：
public class ScoreDriver {

    public static void main(String[] args) throws Exception {
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf, "JobName");
        job.setJarByClass(cn.tarena.hadoop.ScoreDriver.class);


        // TODO: specify a reducer
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(Text.class);
        job.setReducerClass(ScoreReducer.class);
        
        job.setInputFormatClass(AuthInputFormat.class);
        
        MultipleInputs.addInputPath(job, new Path("hdfs://192.168.234.21:9000/formatscore/format-score.txt"),AuthInputFormat.class,ScoreMapper.class);
        MultipleInputs.addInputPath(job, new Path("hdfs://192.168.234.21:9000/formatscore/format-score-1.txt"),TextInputFormat.class,ScoreMapper2.class);
        
        
        MultipleOutputs.addNamedOutput(job, "jary", AuthOutputFormat.class, Text.class, Text.class);
        MultipleOutputs.addNamedOutput(job, "tom", AuthOutputFormat.class, Text.class, Text.class);
        MultipleOutputs.addNamedOutput(job, "rose", AuthOutputFormat.class, Text.class, Text.class);
    
        FileOutputFormat.setOutputPath(job, new Path("hdfs://192.168.234.21:9000/formatscore/result"));

        if (!job.waitForCompletion(true))
            return;
    }

}

十一，多次排序

//只需在compare方法中指定多字段排序即可    
@Override
    public int compareTo(Profit o) {
        int result=this.month-o.month;
        if(result!=0){
            return result;
        }else{
            return o.profit-this.profit;
        }
    }