3.4 MapTask工作机制
MapTask工作机制如图
- （1）Read阶段：MapTask通过用户编写的RecordReader，从输入InputSplit中
解析出一个个key/value。 - （2）Map阶段：该节点主要是将解析出的key/value交给用户编写
map()函数处理，并产生一系列新的key/value。 - （3）Collect收集阶段：在用户编写map()函数中，当数据处理完成后，一般会调用OutputCollector.collect()输出结果。在该函数内部，它会
将生成的key/value分区（调用Partitioner），并写入一个环形内存缓冲区中。 - （4）Spill阶段：即“溢写”，
当环形缓冲区满后，MapReduce会将数据写到本地磁盘上，生成一个临时文件。需要注意的是，将数据写入本地磁盘之前，先要对数据进行一次本地排序，并在必要时对数据进行合并、压缩等操作。
溢写阶段详情：
》》步骤1：利用快速排序算法对缓存区内的数据进行排序，排序方式是，先按照分区编号Partition进行排序，然后按照key进行排序。这样，经过排序后，数据以分区为单位聚集在一起，且同一分区内所有数据按照key有序。
》》步骤2：按照分区编号由小到大依次将每个分区中的数据写入任务工作目录下的临时文件output/spillN.out（N表示当前溢写次数）中。如果用户设置了Combiner，则写入文件之前，对每个分区中的数据进行一次聚集操作。
》》步骤3：将分区数据的元信息写到内存索引数据结构SpillRecord中，其中每个分区的元信息包括在临时文件中的偏移量、压缩前数据大小和压缩后数据大小。如果当前内存索引大小超过1MB，则将内存索引写到文件output/spillN.out.index中。
- （5）Combine阶段：当所有数据处理完成后，MapTask对所有
临时文件进行一次合并，以确保最终只会生成一个数据文件。
当所有数据处理完后，MapTask会将所有临时文件合并成一个大文件，并保存到文件output/file.out中，同时生成相应的索引文件output/file.out.index。
在进行文件合并过程中，MapTask以分区为单位进行合并。对于某个分区，它将采用多轮递归合并的方式。每轮合并io.sort.factor（默认10）个文件，并将产生的文件重新加入待合并列表中，对文件排序后，重复以上过程，直到最终得到一个大文件。
让每个MapTask最终只生成一个数据文件，可避免同时打开大量文件和同时读取大量小文件产生的随机读取带来的开销。
3.5 ReduceTask工作机制
- 1.ReduceTask工作机制
ReduceTask工作机制 
- （1）Copy阶段：
ReduceTask从各个MapTask上远程拷贝一片数据，并针对某一片数据，如果其大小超过一定阈值，则写到磁盘上，否则直接放到内存中。 - （2）Merge阶段：在远程拷贝数据的同时，
ReduceTask启动了两个后台线程对内存和磁盘上的文件进行合并，以防止内存使用过多或磁盘上文件过多。 - （3）Sort阶段：按照MapReduce语义，用户编写reduce()函数输入数据是按key进行聚集的一组数据。为了
将key相同的数据聚在一起，Hadoop采用了基于排序的策略。由于各个MapTask已经实现对自己的处理结果进行了局部排序，因此，ReduceTask只需对所有数据进行一次归并排序即可。 - （4）Reduce阶段：reduce()函数将
计算结果写到HDFS上。 - 2.设置ReduceTask并行度（个数）
ReduceTask的并行度同样影响整个Job的执行并发度和执行效率，但与MapTask的并发数由切片数决定不同，ReduceTask数量的决定是可以直接手动设置：
// 默认值是1，手动设置为4
job.setNumReduceTasks(4);
- 3.实验：测试ReduceTask多少合适
（1）实验环境：1个Master节点，16个Slave节点：CPU:8GHZ，内存: 2G
（2）实验结论： 
- 4．注意事项
- （1）
reducetask=0，表示没有reduce阶段，输出文件个数和map个数一致。 - （2）
reducetask默认值就是1，所以输出文件个数为一个。 - （3）如果
数据分布不均匀，就有可能在reduce阶段产生数据倾斜 - （4）reducetask数量并不是任意设置，还要考虑业务逻辑需求，有些情况下，需要
计算全局汇总结果，就只能有1个reducetask。 - （5）具体多少个reducetask，需要根据
集群性能而定。 - （6）如果分区数不是1，但是reducetask为1，是否执行分区过程。答案是：不执行分区过程。因为在maptask的源码中，
执行分区的前提是先判断reduceNum个数是否大于1。不大于1肯定不执行。
3.6 OutputFormat数据输出
3.6.1 OutputFormat接口实现类
OutputFormat是MapReduce输出的基类，所有实现MapReduce输出都实现了 OutputFormat接口。下面我们介绍几种常见的OutputFormat实现类。
- （1）文本输出TextOutputFormat
默认的输出格式是TextOutputFormat，它把每条记录写为文本行。它的键和值可以是任意类型，因为TextOutputFormat调用toString()方法把它们转换为字符串。 - （2）SequenceFileOutputFormat
SequenceFileOutputFormat将它的输出写为一个顺序文件。如果输出需要作为后续 MapReduce任务的输入，这便是一种好的输出格式，因为它的格式紧凑，很容易被压缩。 - （3）自定义OutputFormat
根据用户需求，自定义实现输出。
3.6.2 自定义OutputFormat
- （1）使用场景
为了实现控制最终文件的输出路径和输出格式，可以自定义OutputFormat。
例如：要在一个mapreduce程序中根据数据的不同输出两类结果到不同目录，这类灵活的输出需求可以通过自定义outputformat来实现。
- （2）自定义OutputFormat步骤
》》1 自定义一个类继承FileOutputFormat。
》》2 改写recordwriter，具体改写输出数据的方法write()。
3.6.3 自定义OutputFormat案例实操
- 1.需求
过滤输入的log日志，包含dev1的网站输出到e:/dev1.log，不包含dev1的网站输出到e:/other.log。
（1）输入数据
log.txt （2）期望输出数据
dev1.txtother.txt - 2.需求分析
package com.dev1.mapreduce.outputformat;
import java.io.IOException;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
public class FilterMapper extends Mapper<LongWritable, Text, Text, NullWritable>{
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
// 写出
context.write(value, NullWritable.get());
}
}
（2）编写FilterReducer类
package com.dev1.mapreduce.outputformat;
import java.io.IOException;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
public class FilterReducer extends Reducer<Text, NullWritable, Text, NullWritable> {
Text k = new Text();
@Override
protected void reduce(Text key, Iterable<NullWritable> values, Context context) throws IOException, InterruptedException {
// 1 获取一行
String line = key.toString();
// 2 拼接
line = line + "\r\n";
// 3 设置key
k.set(line);
// 4 输出
context.write(k, NullWritable.get());
}
}
（3）自定义一个OutputFormat类
package com.dev1.mapreduce.outputformat;
import java.io.IOException;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.RecordWriter;
import org.apache.hadoop.mapreduce.TaskAttemptContext;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
public class FilterOutputFormat extends FileOutputFormat<Text, NullWritable>{
@Override
public RecordWriter<Text, NullWritable> getRecordWriter(TaskAttemptContext job) throws IOException, InterruptedException {
// 创建一个RecordWriter
return new FilterRecordWriter(job);
}
}
（4）编写RecordWriter类
package com.dev1.mapreduce.outputformat;
import java.io.IOException;
import org.apache.hadoop.fs.FSDataOutputStream;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.RecordWriter;
import org.apache.hadoop.mapreduce.TaskAttemptContext;
public class FilterRecordWriter extends RecordWriter<Text, NullWritable> {
FSDataOutputStream dev1Out = null;
FSDataOutputStream otherOut = null;
public FilterRecordWriter(TaskAttemptContext job) {
// 1 获取文件系统
FileSystem fs;
try {
fs = FileSystem.get(job.getConfiguration());
// 2 创建输出文件路径
Path dev1Path = new Path("e:/dev1.log");
Path otherPath = new Path("e:/other.log");
// 3 创建输出流
dev1Out = fs.create(dev1Path);
otherOut = fs.create(otherPath);
} catch (IOException e) {
e.printStackTrace();
}
}
@Override
public void write(Text key, NullWritable value) throws IOException, InterruptedException {
// 判断是否包含“dev1”输出到不同文件
if (key.toString().contains("dev1")) {
dev1Out.write(key.toString().getBytes());
} else {
otherOut.write(key.toString().getBytes());
}
}
@Override
public void close(TaskAttemptContext context) throws IOException, InterruptedException {
// 关闭资源
IOUtils.closeStream(dev1Out);
IOUtils.closeStream(otherOut); }
}
（5）编写FilterDriver类
package com.dev1.mapreduce.outputformat;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
public class FilterDriver {
public static void main(String[] args) throws Exception {
// 输入输出路径需要根据自己电脑上实际的输入输出路径设置
args = new String[] { "e:/input/inputoutputformat", "e:/output2" };
Configuration conf = new Configuration();
Job job = Job.getInstance(conf);
job.setJarByClass(FilterDriver.class);
job.setMapperClass(FilterMapper.class);
job.setReducerClass(FilterReducer.class);
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(NullWritable.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(NullWritable.class);
// 要将自定义的输出格式组件设置到job中
job.setOutputFormatClass(FilterOutputFormat.class);
FileInputFormat.setInputPaths(job, new Path(args[0]));
// 虽然我们自定义了outputformat，但是因为我们的outputformat继承自fileoutputformat
// 而fileoutputformat要输出一个_SUCCESS文件，所以，在这还得指定一个输出目录
FileOutputFormat.setOutputPath(job, new Path(args[1]));
boolean result = job.waitForCompletion(true);
System.exit(result ? 0 : 1);
}
}
3.7 Join多种应用
3.7.1 Reduce Join
Map端的主要工作：为来自不同表(文件)的key/value对打标签以区别不同来源的记录。
然后用连接字段作为key，其余部分和新加的标志作为value，最后进行输出。
reduce端的主要工作：在reduce端以连接字段作为key的分组已经完成，
我们只需要在每一个分组当中将那些来源于不同文件的记录(在map阶段已经打标志)分开，
最后进行合并就ok了
3.7.2 Reduce Join案例实操
- 1.需求
order.txtpd.txt 订单数据表t_order 
商品信息表t_product
将商品信息表中数据根据商品pid合并到订单数据表中。
- 2.需求分析
通过将关联条件作为Map输出的key，将两表满足Join条件的数据并携带数据所来源的文件信息，发往同一个ReduceTask，在Reduce中进行数据的串联
package com.dev1.mapreduce.pack12join;
import org.apache.hadoop.io.WritableComparable;
import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;
public class OrderPdBean implements WritableComparable<OrderPdBean> {
private int orderid;
private int pid;
private int amount ;
private String pname;
public OrderPdBean() {
}
public OrderPdBean(int orderid, int pid, int amount, String pname) {
this.orderid = orderid;
this.pid = pid;
this.amount = amount;
this.pname = pname;
}
public int getOrderid() {
return orderid;
}
public void setOrderid(int orderid) {
this.orderid = orderid;
}
public int getPid() {
return pid;
}
public void setPid(int pid) {
this.pid = pid;
}
public int getAmount() {
return amount;
}
public void setAmount(int amount) {
this.amount = amount;
}
public String getPname() {
return pname;
}
public void setPname(String pname) {
this.pname = pname;
}
@Override
public String toString() {
return orderid + "\t"+pname+"\t"+amount;
}
// @Override
// public String toString() {
// return "OrderPdBean{" +
// "orderid=" + orderid +
// ", pid=" + pid +
// ", amount=" + amount +
// ", pname='" + pname + '\'' +
// '}';
// }
@Override
public int compareTo(OrderPdBean o) {
//id
int result = o.getPid() - this.pid;
if(result == 0){
//pname
return o.getPname().compareTo(this.pname);
}else{
return result;
}
}
@Override
public void write(DataOutput out) throws IOException {
out.writeInt(this.orderid);
out.writeInt(this.pid);
out.writeInt(this.amount);
out.writeUTF(this.pname);
}
@Override
public void readFields(DataInput in) throws IOException {
this.orderid = in.readInt();
this.pid = in.readInt();
this.amount = in.readInt();
this.pname = in.readUTF();
}
}
package com.dev1.mapreduce.pack12join;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.InputSplit;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.lib.input.FileSplit;
import java.io.IOException;
import java.util.Arrays;
public class OrderPdMapper extends Mapper<LongWritable, Text, OrderPdBean, NullWritable>{
private String fileName;
private OrderPdBean pdBean = new OrderPdBean();
@Override
protected void setup(Context context) throws IOException, InterruptedException {
InputSplit inputSplit = context.getInputSplit();//
FileSplit split = (FileSplit) inputSplit;
fileName = split.getPath().getName();
}
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
String[] strings = value.toString().split("\t");
System.out.println(Arrays.toString(strings));
System.out.println(fileName);
if(fileName.contains("order.txt")){
//order.txt 1002 02 2
pdBean.setOrderid(Integer.parseInt(strings[0]));
pdBean.setPid(Integer.parseInt(strings[1]));
pdBean.setAmount(Integer.parseInt(strings[2]));
pdBean.setPname("");
}else{
//pd.txt 03 格力
pdBean.setOrderid(0);
pdBean.setPid(Integer.parseInt(strings[0]));
pdBean.setAmount(0);
pdBean.setPname(strings[1]);
}
System.out.println("map write "+pdBean);
context.write(pdBean,NullWritable.get());
}
}
package com.dev1.mapreduce.pack12join;
//（2）编写Reducer类
import org.apache.hadoop.io.NullWritable;;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
public class OrderPdReducer extends Reducer<OrderPdBean, NullWritable, OrderPdBean, NullWritable>{
@Override
protected void reduce(OrderPdBean key, Iterable<NullWritable> values, Context context) throws IOException, InterruptedException {
//第一条数据来自pd，之后全部来自order
String pname = null;
for(NullWritable v:values){
if(pname == null){
pname = key.getPname();
}else{
key.setPname(pname);
context.write(key,NullWritable.get());
}
}
}
}
package com.dev1.mapreduce.pack12join;
import org.apache.hadoop.io.WritableComparable;
import org.apache.hadoop.io.WritableComparator;
public class OrderPdComparator extends WritableComparator {
public OrderPdComparator() {
super(OrderPdBean.class,true);
System.out.println("OrderPdComparator ------");
}
@Override
public int compare(WritableComparable a, WritableComparable b) {//hadoop
System.out.println("OrderPdComparator compare---WritableComparable---");
OrderPdBean x = (OrderPdBean) a;
OrderPdBean y = (OrderPdBean) b;
return x.getPid()- y.getPid();
}
}
package com.dev1.mapreduce.pack12join;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import java.io.IOException;
public class OrderPdDriver {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
// 1 获取配置信息以及封装任务
Configuration configuration = new Configuration();
Job job = Job.getInstance(configuration);
// 2 设置jar加载路径
job.setJarByClass(OrderPdDriver.class);
// 3 设置map和reduce类
job.setMapperClass(OrderPdMapper.class);
job.setReducerClass(OrderPdReducer.class);
// 4 设置map输出
job.setMapOutputKeyClass(OrderPdBean.class);
job.setMapOutputValueClass(NullWritable.class);
// 5 设置最终输出kv类型
job.setOutputKeyClass(OrderPdBean.class);
job.setOutputValueClass(NullWritable.class);
// 6 设置输入和输出路径
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
job.setGroupingComparatorClass(OrderPdComparator.class);
// 7 提交
boolean result = job.waitForCompletion(true);
System.exit(result ? 0 : 1);
}
}
注意：分组
job.setGroupingComparatorClass(OrderPdComparator.class);
1001 小米 1
1001 小米 1
1002 华为 2
1002 华为 2
1003 格力 3
1003 格力 3
该方法的缺点
这里主要分析一下reduce join的一些不足。之所以会存在reduce join这种方式，是因为整体数据被分割了
每个map task只处理一部分数据而不能够获取到所有需要的join字段，因此我们可以充分利用mapreduce框架的特性，
让他按照join key进行分区，将所有join key相同的记录集中起来进行处理，所以reduce join这种方式就出现了。
这种方式的缺点很明显就是会造成map和reduce端也就是shuffle阶段出现大量的数据传输，效率很低。
3.7.3 Map Join
- 1.使用场景
Map Join适用于一张表十分小、一张表很大的场景。 - 2.优点
思考：在Reduce端处理过多的表，非常容易产生数据倾斜。怎么办？
在Map端缓存多张表，提前处理业务逻辑，这样增加Map端业务，减少Reduce端数据的压力，尽可能的减少数据倾斜。 - 3.具体办法：采用DistributedCache
（1）在Mapper的setup阶段，将文件读取到缓存集合中。
（2）在驱动函数中加载缓存。
// 缓存普通文件到Task运行节点。
job.addCacheFile(new URI("file://e:/cache/pd.txt"));
3.7.4 Map Join案例实操
- 1.需求
order.txtpd.txt
订单数据表t_order
商品信息表t_product
将商品信息表中数据根据商品pid合并到订单数据表中。
最终数据形式
- 2.需求分析
MapJoin适用于关联表中有小表的情形。 
Map端表合并
package com.dev1.mapreduce.pack13mapjoin;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import java.io.IOException;
import java.net.URI;
import java.net.URISyntaxException;
public class MJDriver {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException, URISyntaxException {
// 1 获取配置信息以及封装任务
Configuration configuration = new Configuration();
Job job = Job.getInstance(configuration);
// 2 设置jar加载路径
job.setJarByClass(MJDriver.class);
// 3 设置map和reduce类
job.setMapperClass(MJMapper.class);
// job.setReducerClass(WordcountReducer.class);
// 4 设置map输出
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(NullWritable.class);
// 5 设置最终输出kv类型
// job.setOutputKeyClass(Text.class);
// job.setOutputValueClass(IntWritable.class);
// 6 设置输入和输出路径
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
//job.addCacheFile(new URI("file:///opt/module/input10/pd.txt"));
job.addCacheFile(new URI("file:///opt/module/input10/pd.txt"));
job.setNumReduceTasks(0);
// 7 提交
boolean result = job.waitForCompletion(true);
System.exit(result ? 0 : 1);
}
}
（2）读取缓存的文件数据
package com.dev1.mapreduce.pack13mapjoin;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.net.URI;
import java.util.Arrays;
import java.util.HashMap;
public class MJMapper extends Mapper<LongWritable, Text, Text, NullWritable>{
// 1.map
private static HashMap<String,String> map = new HashMap<>();
// static {
// map.put("01","xiaomi");
// map.put("02","huawei");
// map.put("03","geli");
// }
Text text = new Text();
@Override
protected void setup(Context context) throws IOException, InterruptedException {
//从缓存文件中找到pd.txt driver set
System.out.println("MJMapper--setup---");
URI[] cacheFiles = context.getCacheFiles();
System.out.println(Arrays.toString(cacheFiles));
Path path = new Path(cacheFiles[0]);
//获取文件系统并开流
FileSystem fileSystem = FileSystem.get(context.getConfiguration());
InputStream fsDataInputStream = fileSystem.open(path);
//通过包装流转换为reader
BufferedReader bufferedReader = new BufferedReader(
new InputStreamReader(fsDataInputStream, "utf-8"));
//逐行读取，按行处理
String line;
while ((line = bufferedReader.readLine())!=null) {
//02 华为
String[] fields = line.split("\t");
map.put(fields[0], fields[1]);
}
//关流
IOUtils.closeStream(bufferedReader);
}
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//1005 02 5
System.out.println("MJMapper--map---");
String string = value.toString().trim();
if(!"".equals(string)){
String[] strings = string.split("\t");
//strings
String pname = map.get(strings[1]);
text.set(strings[0]+"\t"+pname+"\t"+strings[2]);
context.write(text, NullWritable.get());
}
}
}
3.8 数据清洗（ETL）
在运行核心业务MapReduce程序之前，往往要先对数据进行清洗，清理掉不符合用户要求的数据。
清理的过程往往只需要运行Mapper程序，不需要运行Reduce程序。
3.8.1 数据清洗案例实操-简单解析版
- 1.需求
去除日志中字段个数小于等于11的日志。
（1）输入数据
weblog.txt （2）期望输出数据
每行字段长度都大于11。 - 2.需求分析
需要在Map阶段对输入的数据根据规则进行过滤清洗。 - 3．实现代码
（1）编写LogMapper类
package com.dev1.mapreduce.pack14etl;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
import java.util.Arrays;
public class LogMapper extends Mapper<LongWritable, Text, Text, NullWritable>{
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//1 line
String line = value.toString().trim();
if(!"".equals(line)){
//2 split
String[] strings = line.split(" ");
//3 >11 write
if(strings.length > 11){
System.out.println(Arrays.toString(strings));
System.out.println(">11 ");
context.write(value,NullWritable.get());
}
}
}
}
（2）编写LogDriver类
package com.dev1.mapreduce.pack14etl;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import java.io.IOException;
public class LogDriver {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
// 1 获取配置信息以及封装任务
Configuration configuration = new Configuration();
Job job = Job.getInstance(configuration);
// 2 设置jar加载路径
job.setJarByClass(LogDriver.class);
// 3 设置map和reduce类
job.setMapperClass(LogMapper.class);
//job.setReducerClass(WordcountReducer.class);
job.setNumReduceTasks(0);
// 4 设置map输出
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(NullWritable.class);
// 5 设置最终输出kv类型
// job.setOutputKeyClass(Text.class);
// job.setOutputValueClass(IntWritable.class);
// 6 设置输入和输出路径
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
// 7 提交
boolean result = job.waitForCompletion(true);
System.exit(result ? 0 : 1);
}
}
3.10 MapReduce开发总结
在编写MapReduce程序时，需要考虑如下几个方面：
在编写mapreduce程序时，需要考虑的几个方面：
- （1）输入数据接口：InputFormat
默认使用的实现类是：TextInputFormat
TextInputFormat的功能逻辑是：一次读一行文本，然后将该行的起始偏移量作为key，行内容作为value返回
CombineTextInputFormat可以把多个小文件合并成一个切片处理，提高处理效率。
用户还可以自定义InputFormat。 - （2）逻辑处理接口：Mapper
用户根据业务需求实现其中三个方法：map() setup() cleanup () - （3）Partitioner分区
有默认实现 HashPartitioner，逻辑是根据key的哈希值和numReduces来返回一个分区号；key.hashCode()&Integer.MAXVALUE % numReduces
如果业务上有特别的需求，可以自定义分区。 - （4）Comparable排序
当我们用自定义的对象作为key来输出时，就必须要实现WritableComparable接口，重写其中的compareTo()方法。
部分排序：对最终输出的没一个文件进行内部排序。
全排序：对所有数据进行排序，通常只有一个Reduce。
二次排序：排序的条件有两个。 - （5）Combiner合并
Combiner合并可以提高程序执行效率，减少io传输。但是使用时必须不能影响原有的业务处理结果。 - （6）reduce端分组：Groupingcomparator
reduceTask拿到输入数据（一个partition的所有数据）后，首先需要对数据进行分组，其分组的默认原则是key相同，然后对每一组kv数据调用一次reduce()方法，并且将这一组kv中的第一个kv的key作为参数传给reduce的key，将这一组数据的value的迭代器传给reduce()的values参数。
利用上述这个机制，我们可以实现一个高效的分组取最大值的逻辑。
自定义一个bean对象用来封装我们的数据，然后改写其compareTo方法产生倒序排序的效果。然后自定义一个Groupingcomparator，将bean对象的分组逻辑改成按照我们的业务分组id来分组（比如订单号）。这样，我们要取的最大值就是reduce()方法中传进来key。 - （7）逻辑处理接口：Reducer
用户根据业务需求实现其中三个方法: reduce() setup() cleanup () - （8）输出数据接口：OutputFormat
默认实现类是TextOutputFormat，功能逻辑是：将每一个KV对向目标文本文件中输出为一行。用户还可以自定义OutputFormat。
