目录
MapReduce概述
MapReduce定义
Mapre优缺点
优点
缺点
MApReduce核心思想
MapReduce进行
常用数据序列化类型
MapReduce编程规范
hadoop序列化
什么是序列化
自定义bean对象实现序列化借口（Writable）
序列化实例操作
MapReduce框架原理
InputFormat数据输入
切片与MapTask并行度决定机制
Job 提交流程源码和切片源码详解
FileInputFormat 切片机制
TextInputFormat
MapReduce工作流程
Shuffle机制
Combiner合并
OutputFormat数据输出
OutputFormat接口实现类
MapReduce内核源码解析
ReduceTask工作机制
ReduceTask并行度机制
Join应用
Redcue Join
Map Join
数据清洗（ETL）
MapReduce开发总结
Hadoop数据压缩
概述
压缩方式选择
Gzip压缩
Bzip2压缩
Lzo压缩：
Snappy压缩
压缩位置选择
压缩参数配置
压缩实操案例
Map输出端采用压缩
Reduce输出端采用压缩
常见错误及解决方案
MapReduce概述
MapReduce定义
分布式运算程序的编程框架，是用户开发“基于Hadoop的数据分析应用”的核心框架。
用户编写的业务逻辑代码和自带默认组件整合成一个完整的分布式运算程序，并行运行在一个Hadoop集群上。
Mapre优缺点
优点
- MapReduce易于编程（相较于早起没有MR的时候，不需要考虑分布式的情况，可视作在本地运行而编写代码）。它简单的实现一些接口，就可以完成一个分布式程序，这个分布式程序可以分布到大量廉价的PC机器上运行。也就是说你写一个分布式程序，跟写一个简单的串行程序是一模一样的。就因为这个特点是的MapReduce编程变得非常流行。
- 良好的扩展性。 当计算资源不能得到满足的时候，可以通过简单的增加机器来扩展它的计算能力，且不需要修改业务逻辑代码。
- 高容错性。MapReduce设计的初衷就是使程序能够部署在廉价的PC机器上，这就要求它具有很高的容错性。比如一台机器挂了，它可以把上面的计算任务转移到另外一个节点上运行，不至于这个任务运行失败，而且这个过程不需要人工参与，完全是由Hadoop内部完成的。
- 适合PB级以上海量数据的离线处理。可以实现上千台服务器集群开发工作，提供数据处理能力。
缺点
- 不擅长实时计算。不像MySQL一样，在毫秒或者秒级内返回结果。
- 不擅长流式计算。流式计算的输入数据是动态的，而MapReduce的输入数据是静态的，不能动态变化。这是因为MapReduce自身的设计特点决定了数据源必须是静态的。
- 不擅长DAG（有向无环图）计算。多个应用程序存在以来关系，后一个应用程序的输入为前一个的程序的输出。在这种情况下，MapReduce并不是不能做，而是使用后，每个MapReduce作业的输出结果都会先写入磁盘，再从磁盘中读取文件，这样会造成大量的磁盘IO,导致性能非常低下。
MApReduce核心思想
- 分布式的运算程序往往分成至少两个阶段；
- 第一个阶段的MapTask并发实例，完全并行运行，互不干扰；
- 第二个阶段的ReduceTask并发实例，也是完全并行运行互不干扰，但是它们的数据以来于上一个阶段的所有MapTask并发实例的输出。
- MapReduce编程模型只能包含一个Map阶段和一个Reduce阶段，如果用户的业业务逻辑非常复杂，那就只能多个MapReduce程序串行运行。
MapReduce进行
一个完整的MapReduce程序在分布式运行时有三类实例进程：
- MrAppMaster：负责整个程序的过程调度和状态协调；
- MapTask：负责Map阶段的整个数据处理流程；
- ReduceTask：负责Reduce阶段的整个数据处理流程。
常用数据序列化类型
Java类型 | Hadoop Writable类型 |
Boolean | BooleanWritable |
Byte | ByteWritable |
Int | IntWritable |
Float | FloatWritable |
Double | DoubleWritable |
String | Text |
Map | MapWritable |
Array | ArrayWritable |
Null | NullWritable |
MapReduce编程规范
用户编写程序，分成三个部分：Mapper、Reducer、Driver
其中Driver阶段：
- 获取配置信息，获取Job对象
- 指定本程序的Driver类
- 指定Mapper类和Reducer类
- 指定Mapper输出的KV数据类型
- 指定最终输出结果的KV数据类型
- 指定Job的输入数据源所在目录
- 指定Job的输出结果所在目录
- 提交作业
hadoop序列化
什么是序列化
序列化是把内存中的对象，转换成字节序列，用来存储磁盘持久化或网络传输。
反序列化是将本地磁盘的持久化数据或者接收到的网络中的字节码数据转换成内容中的对象。
- 为什么要学序列化
因为内存中的对象不能直接存储到磁盘或进行网络传输，只能将其序列化成字节码之后，才可以存储到磁盘或者进行网络传输。
- 为什么不用Java的序列化
Java序列化是一个重量级序列化框架（serializable），一个对象被序列化后，会附带很多额外的信息（如各种校验信息，header，继承体系等），不便于在网络中高效传输。所以，Hadoop自己开发了一套序列化机制（Writable）。
- Hadoop序列化特点：
- 紧凑：高效使用存储空间；
- 快速：读写数据的额外开销小；
- 互操作：支持多语言的交互
自定义bean对象实现序列化借口（Writable）
具体实现bean对象序列化步骤，如下7步：
- 必须实现Writable借口；
- 反序列化时，需要反射调用空参构造函数，所以必须有空can构造；
- 重写序列化方法；
- 重写反序列化方法；
- 注意反序列化的顺序和序列化的顺序完全一致；
- 要想把结果显示在文件中，需要重写toString（），可用“\t”分开，方便后续使用；
- 如果需要将自定义的bean放在key中传输，则还需要实现Comparable接口，因为MapReduce框架中的Shuffle过程要求对key必须能排序。
序列化实例操作
（1）编写流量统计的Bean 对象
//1 实现Writable 接口
public class FlowBean implements Writable {
private long upFlow; //上行流量
private long downFlow; //下行流量
private long sumFlow; //总流量
//2 提供无参构造
public FlowBean() {
}
//3 提供三个参数的getter 和setter 方法
......
//4 重写序列化和反序列化方法，注意顺序保持一致
@Override
public void write(DataOutput public void write(DataOutput dataOutput ) throws IOException {
dataOutput.writeLong(upFlow);
dataOutput.writeLong(upFlow);
dataOutput.writeLong(downFlow);
}
// 反序列化的顺序与序列化的顺序保持一致
@Override
public void readFields(DataInput public void readFields(DataInput dataInput ) throws IOException {
this.upFlow = dataInput.readLong();
this.downFlow = dataInput.readLong( );
this.sumFlow = dataInput.readLong();
}
// 5 重写toString()方法
// 这里不需要将bean作为key，所以bean不需要实现Comparable接口
（2）编写 ）编写 Mapper类
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
public class FlowMappper extends Mapper<LongWritable, Text, Text, FlownBean> {
private Text outK = new Text();
private FlowBean outV = new FlownBean();
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
// 1 获取一行数据，转成字符串
// 2 切割数据
// 3 抓取我们需要的数据：手机号，上行流量，下行流量
// 4 封装outK outV
// 5 写出outK outV
}
}
（3）编写 ）编写 Reducer类
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
public class FlowReducer extends Reducer<Text, FlownBean, Text, FlowBean> {
private FlowBean outV = new FlowBean();
@Override
protected void reduce(Text key, Iterable<FlowBean> vlues, Context context) throws IoException, InterrutedExcetion {
long totalUp = 0;
long totalDown = 0;
// 1 遍历values，将其中的上行流量、下行流量分别累加
for (FlowBean flowBean : values) {
totalUp += flowBean.getUpFlow();
totalDown += flowBean.getDownFlow();
}
// 2 封装outKV
outV.setUpFlow(totalUp);
outV.setDownFlow(totalDown);
outV.setSumFlow(totalUp + totalDown);
// 3 写出outK outV
context.write(key, outV);
}
}
（4）编写 ）编写 Driver驱动 类
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
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 FlowDriver {
public static void main (String[] args) throws IOException, ClassNotFoundException, InterruptedException {
// 1 获取配置信息，获取job对象
Configuration conf = new Configuration();
Job job = Job.getInstance(conf);
// 2 关联Driver类
job.setJarByClass(FlowDriver .class)
// 3 关联Mapper和Reducer
job.setMapperClass(FlowMapper.class);
job.setReducerClass(FlowReducer.calss);
// 4 指定Mapper输出的KV类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(FlowBean.class);
// 5 指定最终结果输出的KV类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(FlowBean.class);
// 6 指定程序的数据源的输入路径
FileInputFormat.setInputPaths(job, new path("/datas/input"));
// 7 指定程序最终结果的输出路径
FileOutputFormat.setOutputPaths(job, new path("/datas/output"));
// 8 提交job
boolean b = job.waitForCompletion(true);
System.exit(b ? 0 : 1);
}
}MapReduce框架原理
InputFormat数据输入
切片与MapTask并行度决定机制
MapTask的并行度决定Map阶段的任务处理并发度，进而影响整个Job的处理素的。
- MapTask并行度决定机制
数据块：数据块是物理上的概念。Block是HDFS物理上把数据分成一块一块。数据块是hdfs存储数据的基本单位。
数据切片：数据切片是逻辑上的概念。数据切片是在逻辑上对输入数据进行切片，并不会在磁盘上将其切分成片进行存储。数据切片是MapReduce程序计算输入数据的单位，一个切片对对应一个MapTask。
数据切片与MapTask并行度决定机制
- 一个Job的Map阶段并行度由客户端在提交Job时的切片数决定；
- 每一个Split切片分配一个MapTask并行实例处理；
- 默认情况下，切片大小=BlockSize
- 切片时不考虑数据整体，而是逐个针对每一个文件单独切片
Job 提交流程源码和切片源码详解
（没看懂）
waitForCompletion()
submit();
// 1 建立连接
connect();
// 1）创建提交Job 的代理
new Cluster(getConfiguration());
// （1）判断是本地运行环境还是yarn 集群运行环境
initialize(jobTrackAddr, conf);
// 2 提交job
submitter.submitJobInternal(Job.this, cluster)
// 1）创建给集群提交数据的Stag 路径
Path jobStagingArea = JobSubmissionFiles.getStagingDir(cluster, conf);
// 2）获取jobid ，并创建Job 路径
JobID jobId = submitClient.getNewJobID();
// 3）拷贝jar 包到集群
copyAndConfigureFiles(job, submitJobDir);
rUploader.uploadFiles(job, jobSubmitDir);
// 4）计算切片，生成切片规划文件
writeSplits(job, submitJobDir);
maps = writeNewSplits(job, jobSubmitDir);
input.getSplits(job);
// 5）向Stag 路径写XML 配置文件
writeConf(conf, submitJobFile);
conf.writeXml(out);
// 6）提交Job,返回提交状态
status = submitClient.submitJob(jobId, submitJobDir.toString(), job.getCredentials());2）FileInputFormat 切片源码解析（input.getSplits(job)）
（1）程序先找到你数据存储的目录。
（2）开始遍历处理（规划切片）目录下的每一个文件
（3）遍历第一个文件ss.txt
a）获取文件大小fs.sizeOf(ss.txt)
计算切片大小（大值里面求小的，小值里面求大的，得到的就是中间值。如果要调大切片大小，就将最小值minSize调到大于块大小blocksize；如果要调小切片大小，就把最大值maxSize调到小于块大小blocksize）
computeSplitSize(Math.max(minSize,Math.min(maxSize,blocksize)))=blocksize=128M
c）默认情况下，切片大小=blocksize
d）开始切，形成第1个切片：ss.txt—0:128M 第2个切片ss.txt—128:256M 第3个切片ss.txt—256M:300M（每次切片时，都要判断切完剩下的部分是否大于块的1.1倍，不大于1.1倍就不进行切片了，把剩下的部分划分一块切片）
e）将切片信息写到一个切片规划文件中
f）整个切片的核心过程在getSplit()方法中完成
g）InputSplit只记录了切片的元数据信息，比如起始位置、长度以及所在的节点列表等。
（4）提交切片规划文件到YARN上，YARN上的MrAppMaster就可以根据切片规划文件计算开启MapTask个数。
FileInputFormat 切片机制
- 切片机制
- 简单的安装文件内容长度进行切片；
- 切片大小默认等于Block大小；
- 切片时不考虑数据集整体，而是对目录下的每个文件单独切片。
- 源码中计算切片大小的公式
Math.max(minSize, Math.min(maxSize, blockSize));
mapreduce.input.fileinputformat.split.minsize=1 默认值为1
mapreduce.input.fileinputformat.split.maxsize= Long.MAXValue 默认值Long.MAXValue
因此，默认情况下，切片大小=blocksize。
maxsize（切片最大值）：参数如果调得比blockSize小，则会让切片变小，而且就等于配置的这个参数的值。
minsize（切片最小值）：参数调的比blockSize大，则可以让切片变得比blockSize还大。
TextInputFormat
- FileInputFormat 实现类
思考：在运行MapReduce 程序时，输入的文件格式包括：基于行的日志文件、二进制格式文件、数据库表等。那么，针对不同的数据类型，MapReduce 是如何读取这些数据的呢？
FileInputFormat 常见的接口实现类包括：TextInputFormat、KeyValueTextInputFormat、
NLineInputFormat、CombineTextInputFormat 和自定义InputFormat 等。
- TextInputFormat
TextInputFormat是默认的FileInputFormat实现类。按行读取每条记录。键是存储该行在整个文件中的起始字节偏移量，LongWritable类型。值是这行的内容，不包括任何行终止符（换行符和回车符），Text类型。
- CombineTextInputFormat切片机制
框架默认的是由TextInputFormat切片机制对任务按文件规划切片，不管文件大小，都会单独进行切片，都会交给一个MapTask，这样如果有大量小文件，就会产生大量的MapTask，处理效率会极其低下。
应用场景：
CombineTextInputFormat用于小文件过多的场景，它可以将多个小文件从逻辑上规划到一个切片中，这样，多个小文件就可以交给一个MapTask处理。
虚拟存储切片最大值设置
CombineTextInputFormat.setMaxInputSplitSize(job, 4194304); // 4m
注意：设置虚拟存储切片最大值最好根据实际的小文件大小来设置具体的值。
切片机制：
生成切片过程包括：虚拟存储过程和切片过程两部分。
（1）虚拟存储过程：
将输入目录下所有文件大小，依次和设置的setMaxInputSplitSize 值比较，如果不
大于设置的最大值，逻辑上划分一个块。如果输入文件大于设置的最大值且大于两倍，
那么以最大值切割一块；当剩余数据大小超过设置的最大值且不大于最大值2 倍，此时
将文件均分成2 个虚拟存储块（防止出现太小切片）。
例如setMaxInputSplitSize 值为4M，输入文件大小为8.02M，则先逻辑上分成一个
4M。剩余的大小为4.02M，如果按照4M 逻辑划分，就会出现0.02M 的小的虚拟存储
文件，所以将剩余的4.02M 文件切分成（2.01M 和2.01M）两个文件。
（2）切片过程：
（a）判断虚拟存储的文件大小是否大于setMaxInputSplitSize 值，大于等于则单独
形成一个切片。
（b）如果不大于则跟下一个虚拟存储文件进行合并，共同形成一个切片。如果此时还不大于setMaxInputSplitSize 值，那就继续与下一个虚拟存储文件进行合并，直到合并后的文件大小是大于或等于setMaxInputSplitSize 值为止，此时，合并的文件单独作为一个切片。下一个文件继续重复上述的合并步骤。
（c）测试举例：有4 个小文件大小分别为1.7M、5.1M、3.4M 以及6.8M 这四个小
文件，则虚拟存储之后形成6 个文件块，大小分别为：
1.7M，（2.55M、2.55M），3.4M 以及（3.4M、3.4M）
最终会形成3 个切片，大小分别为：
（1.7+2.55）M，（2.55+3.4）M，（3.4+3.4）M
MapReduce工作流程
上面的流程是整个MapReduce最全工作流程，但是shuffle过程只是从第7步开始到第16步结束，具体shuffle过程详解，如下：
- MapTask收集map()方法输出的kv键值对，放到内存缓冲区中；
- 内存缓冲区的内容会不断溢写到本地磁盘文件，可能会溢写多个小文件；
- 多个溢写小文件会被合并成大的溢写文件；
- 在溢写和合并的过程中，都要调用Partitioner进行分区和针对key进行排序；
- ReduceTask根据自己的分区号，去各个MapTask机器上取相应的结果分区数据；
- ReduceTask会抓取到同一个分区的来自不同MapTask的结果文件，ReduceTask会将这些文件再进行合并（归并排序）
- 合并成大文件后，Shuffle的过程就结束了，后面进入到ReduceTask的逻辑运算处理中（从文件中取出一个一个键值对Group，调用用户自定义的reduce()方法）
注意：
- Shuffle中的缓冲区大小会影响到MapReduce程序的执行效率，原则上说，缓冲区越大，磁盘IO的次数越少，那执行效率就越高。
- 缓冲区的大小可以通过参数调整，参数：mapreduce.task.io.sort.mb默认是100M。
Shuffle机制
- Shuffle机制
map方法之后，reduce方法之前的数据处理过程称之为Shuffle。
- Partition分区
问题引出：
要求将统计结果按照条件输出到不同文件中（分区）。比如：将统计结果按照手机归属地不同省份输出到不同文件中（分区）
默认Partitioner分区
默认分区是根据key的hashCode对ReduceTask个数取模得到的。用户没法控制哪个key存储到哪个分区。（默认是不行，但是可以通过自定义分区器来指定数据输往哪个分区）
自定义Partitioner
- 自定义类继承Partitioner类，重写getPartition()方法
- 在Job驱动（Driver类）中，设置自定义的Partitioner，如：job.setPartitionerClass(CustmonPartitioner.class);
- 自定义Partition之后，要根据自定义的Partitioner逻辑，设置相应数量的ReduceTask，如：job.setNumReduceTask(5);
分区总结：
- 如果ReduceTask的数量 > getPartition的结果数，那么会多产生几个空的输出文件part-r-000xx;
- 如果ReduceTask的数量 < getPartition的结果数，那么会有一部分分区数据无处安放，此时回报异常；
- 如果ReduceTask的数量 = getPartition的结果数，那么此时打到正常的分区结果数据；
- 如果ReduceTask的数量=1，则不管MapTask端输出多少个分区文件，最终结果都交给这一个ReduceTask，最终只会产生一个结果文件part-r-00000；
- 分区号必须从零开始，逐一累加；
案例分析
例如：假设自定义分区数为5，则
（1）job.setNumReduceTasks(1); 会正常运行，只不过会产生一个输出文件
（2）job.setNumReduceTasks(2); 会报错
（3）job.setNumReduceTasks(6); 大于5，程序会正常运行，会产生空文件
- WritableComparable排序
排序是MapReduce框架中最重要的操作之一
任何应用程序中的数据均会被排序，而不管逻辑上是否需要。
字典顺序排序，且实现该排序的方法是快速排序。
当环形缓冲区的使用率达到一定阈值后，再对环形缓冲区中的数据进行一次快速排序，并将这些有序数据溢写到磁盘上，而当数据处理完毕后，它会对磁盘上当前分区的所有文件进行归并排序。
ReduceTask统一对内存和磁盘上的所有数据进行一次归并排序。
排序分类：
- 部分排序：MapReduce根据输入记录的键，对数据排序。保证输出的每个文件内部有序。
- 全排序：最终输出结果只有一个文件，且文件内部有序。实现方式是只设置一个ReduceTask。但该方法在处理大型文件时效率极低，因为一台机器处理所有文件，完全丧失MapReduce所提供的丙型架构。
- 辅助排序（GroupingComparator分组）：在Reducer端对key进行分组。应用于在接收的key为bean对象时，想让一个或几个字段相同（全部字段比较不相同）的key进入到同一个reduce方法时，可以采用分组排序。即在接收key为bean对象，且只要求部分字段相同就分到同一个reduce方法的情况下，可使用辅助排序来处理。
- 二次排序：在自定义排序过程中，如果compareTo中的判断条件为两个，即为二次排序。
自定义排序WritableComparable操作
bean对象做为key传输，需要实现WritableComparable借口，重写compareTo()方法，就可以实现排序。
Combiner合并
（1）Combiner是MR程序中Mapper和Reducer之外的一个组件；
（2）Combiner组件的父类是Reducer；
（3）Combiner和Reducer的区别在于运行的位置
Combiner是在每一个MapTask所在的节点运行；
Reducer是接受全局所有Mapper的输出结果；
（4）Combiner的意义就是对每一个MapTask的输出进行局部汇总，以减小网络传输量；
（5）Combiner能够应用的前提是不能影响最终的业务逻辑，而且，Combiner的输出kv，应该跟Reducer的输入kv类型保持一致；
（6）自定义Combiner实现步骤
（a）自定一个WordCountCombiner类继承Reducer，重写reduce方法
（b）在JobDriver类中设置：job.setCombinerClass(WordCountCombiner.class);
注意：不要将处理小文件的CombineTextInputFormat进行混淆，Combiner是处理Maptask输出时需要进行文件合并的场景，CombineTextInputFormat是处理Mapper阶段的输入数据是小文件的场景。
OutputFormat数据输出
OutputFormat接口实现类
自定义OutputFormat
- 自定义一个类继承FileOutputFormat类，重写getRecordWriter()方法，此方法返回一个RecordWriter对象；
- 再自定义一个类继承RecordWriter类，重写write()方法，此方法做业务逻辑处理（根据需求将最终结果写到相应目录中）
- 在JobDriver类中设置OutputFormat类和设置fileoutputformat要出的的_SUCCESS文件目录
import org.apache.hadoop.fs.FSDataOutputStream;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
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 java.io.IOException;
public class LogRecordWriter extends RecordWriter<Text, NullWritable> {
private FSDataOutputStream atguiguOut;
private FSDataOutputStream otherOut;
public LogRecordWriter(TaskAttemptContext job) {
try {
//获取文件系统对象
FileSystem fs = FileSystem.get(job.getConfiguration());
//用文件系统对象创建两个输出流对应不同的目录
atguiguOut = fs.create(new Path("d:/hadoop/atguigu.log"));
otherOut = fs.create(new Path("d:/hadoop/other.log"));
} catch (IOException e) {
e.printStackTrace();
}
}
@Override
public void write(Text key, NullWritable value) throws IOException, InterruptedException {
String log = key.toString();
//根据一行的 log 数据是否包含 atguigu,判断两条输出流输出的内容
if (log.contains("atguigu")) {
atguiguOut.writeBytes(log + "\n");
} else {
otherOut.writeBytes(log + "\n");
}
}
@Override
public void close(TaskAttemptContext context) throws IOException, InterruptedException {
//关流
IOUtils.closeStream(atguiguOut);
IOUtils.closeStream(otherOut);
}
}
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 {
Configuration conf = new Configuration();
Job job = Job.getInstance(conf);
job.setJarByClass(LogDriver.class);
job.setMapperClass(LogMapper.class);
job.setReducerClass(LogReducer.class);
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(NullWritable.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(NullWritable.class);
//设置自定义的 outputformat
job.setOutputFormatClass(LogOutputFormat.class);
FileInputFormat.setInputPaths(job, new Path("D:\\input"));
// 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("D:\\logoutput"));
boolean b = job.waitForCompletion(true); System.exit(b ? 0 : 1);
}
}MapReduce内核源码解析
- MapTask工作机制
- Read阶段：MapTask通过InputFormat获得的RecordReader，从输入InputSplit中解析出一个个key/value；
- Map阶段：主要将解析出的key/value交给用户编写的map()方法处理，并产生一系列新的key/value；
- Collect收集阶段：在用户编写map()方法中，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），并写入一个环形缓冲区中；
- Spill阶段：即溢写，当环形缓冲区的使用率达到一定阈值（默认是80%）时，MapReduce会将数据吓到本地磁盘上，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，并在必要是对数据进行合并、压缩等操作；
- Merge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。当所有数据处理完毕后，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mapreduce.task.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，知道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。
溢写阶段详情：
步骤1：利用快排算法对缓冲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，经过排序之后，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合并操作。
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。
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）Sort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。按照MapReduce语义，用户编写reduce()方法输入数据是按key进行聚集的一组数据。为了将key相同的数据聚集在一起，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。
（3）Reduce阶段：reduce()方法将计算结果写到HDFS上。
ReduceTask并行度机制
回顾：MapTask的并行度由切片个数决定，切片个数由输入文件和切片规则决定
思考：ReduceTask并行度是由谁决定？
- 设置ReduceTask个数：job.setNumReduceTasks(5);
- 实验：测试ReduceTask多少合适
- 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1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，需要根据集群性能和业务逻辑而定；
（6）如果分区数不是1，但是ReduceTask为1，是否执行分区过程？答案是不会执行分区过程。因为在MapTask的源码中，执行分区的前提是先判断ReduceTask个数是否大于1，如果不大于1，可定不会执行分区。
Join应用
Redcue Join
Map端的主要工作：为来自不同表或文件的key/value对，打标签以区别不同来源的纪录。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纪录（在Map阶段已经打标志）分开，最后进行合并就OK了。
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来源的文件信息，发往同一个ReduceTask，在Reduce中进行数据的串联。
总结：
缺点：这种方式中，合并的操作是在Reduce阶段完成，Reduce端的处理压力太大，Map阶段的运算负载则很低，资源利用率不高，且在Reduce阶段极易产生数据倾斜。
解决办法：Map端实现数据合并
Map Join
1）使用场景：Map Join只用于一张表很小、一张表很大的场景。
2）优点：在Reduce端处理过多的表，非常容易产生数据倾斜。而在Map端会缓存多张表，提前处理业务逻辑，这样增加Map端业务，减少Reduce端处理数据的压力，尽可能的减少数据倾斜。
3）具体办法：采用DistributeCache
（1）在Mapper的setup阶段，将文件读取到缓存集合中。
（2）在Driver驱动类中加载缓存。
//缓存普通文件到Task 运行节点。
job.addCacheFile(new URI("file:///e:/cache/pd.txt"));
//如果是集群运行,需要设置HDFS 路径
job.addCacheFile(new URI("hdfs://hadoop102:8020/cache/pd.txt"));Map Join适用于关联表中有小表的情形，是将小表添加到缓存中。
Map端Join的逻辑不需要Reduce阶段，设置ReduceTask数量为0，job.setNumReduceTasks(0);
import org.apache.commons.lang.StringUtils;
import org.apache.hadoop.fs.FSDataInputStream;
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.InputStreamReader;
import java.net.URI;
import java.util.HashMap;
import java.util.Map;
public class MapJoinMapper extends Mapper<LongWritable, Text, Text, NullWritable> {
private Map<String, String> pdMap = new HashMap<>(); private Text text = new Text();
//任务开始前将 pd 数据缓存进 pdMap
@Override
protected void setup(Context context) throws IOException, InterruptedException {
//通过缓存文件得到小表数据 pd.txt
URI[] cacheFiles = context.getCacheFiles();
Path path = new Path(cacheFiles[0]);
//获取文件系统对象,并开流
FileSystem fs = FileSystem.get(context.getConfiguration());
FSDataInputStream fis = fs.open(path);
//通过包装流转换为 reader,方便按行读取
BufferedReader reader = new BufferedReader(new InputStreamReader(fis, "UTF-8"));
//逐行读取，按行处理 String line;
while (StringUtils.isNotEmpty(line = reader.readLine())) {
//切割一行
//01 小米
String[] split = line.split("\t");
pdMap.put(split[0], split[1]);
}
//关流 IOUtils.closeStream(reader);
}
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException,
InterruptedException {
//读取大表数据
//1001 01 1
String[] fields = value.toString().split("\t");
//通过大表每行数据的 pid,去 pdMap 里面取出 pname
String pname = pdMap.get(fields[1]);
//将大表每行数据的 pid 替换为 pname
text.set(fields[0] + "\t" + pname + "\t" + fields[2]);
//写出
context.write(text,NullWritable.get());
}
}
----------------------------------------------------------------------------------------
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 MapJoinDriver {
public static void main(String[] args) throws IOException, URISyntaxException,
ClassNotFoundException, InterruptedException {
// 1 获取 job 信息
Configuration conf = new Configuration();
Job job = Job.getInstance(conf);
// 2 设置加载 jar 包路径
job.setJarByClass(MapJoinDriver.class);
// 3 关联 mapper
job.setMapperClass(MapJoinMapper.class);
// 4 设置 Map 输出 KV 类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(NullWritable.class);
// 5 设置最终输出 KV 类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(NullWritable.class);
// 加载缓存数据
job.addCacheFile(new URI("file:///D:/input/tablecache/pd.txt"));
// Map 端 Join 的逻辑不需要 Reduce 阶段，设置 reduceTask 数量为 0
job.setNumReduceTasks(0);
// 6 设置输入输出路径
FileInputFormat.setInputPaths(job, new Path("D:\\input"));
FileOutputFormat.setOutputPath(job, new Path("D:\\output"));
// 7 提交
boolean b = job.waitForCompletion(true); System.exit(b ? 0 : 1);
}
}数据清洗（ETL）
“ETL，是英文Extract-Transform-Load 的缩写，用来描述将数据从来源端经过抽取
（Extract）、转换（Transform）、加载（Load）至目的端的过程。ETL 一词较常用在数据仓
库，但其对象并不限于数据仓库。
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。
MapReduce开发总结
1）输入数据接口：InputFormat
（1）默认实现类是：TextInputFormat
（2）TextInputFormat的功能逻辑是：一次读取一行文本，然后将该行的字节数起始偏移量作为key，行内容作为value返回。
（3）CombineTextInputFormat可以把多个小文件合并成一个切片进行处理，提高处理效率。
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
（1）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
（2）如果业务上有特别的需求，可以自定义分区。
4）Comparable排序
（1）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。
（2）部分排序：对最终输出的每个文件进行内部排序。
（3）全排序：对所有数据进行排序，通常只有一个Reduce。
（4）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）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()
7）输出数据接口：OutputFormat
（1）默认实现类是TextOutputFormat，功能逻辑是：将每一个KV对，向目标文本文件输出一行。
（2）用户可以自定义OutputFormat。
Hadoop数据压缩
概述
1）压缩的好处和坏处
优点：减少磁盘IO、减少磁盘存储空间。
缺点：增加CPU开销。
2）压缩原则
（1）运算密集型的Job，少用压缩。
（2）IO密集型的Job，多用压缩。
MR支持的压缩编码
1）压缩算法对比介绍
2）压缩性能的比较
压缩方式选择
压缩方式选择时重点考虑：压缩/解压速度、压缩率（压缩后存储大小）、压缩后是否可以支持切片。
Gzip压缩
优点：压缩率比较高；
缺点：不支持Split切片，压缩/解压速度一般。
Bzip2压缩
优点：压缩率高，支持Split切片；
缺点：压缩/解压速度慢。
Lzo压缩：
优点：压缩/解压速度比较快，支持Split切片；
缺点：压缩率一般，想支持切片需要额外创建索引。
Snappy压缩
优点：压缩/解压速度快；
缺点：不支持Split切片，压缩率一般。
压缩位置选择
压缩可以在MapReduce的任意阶段启用。
压缩参数配置
1）为了支持多种压缩/解压算法，Hadoop引入了编码/解码器
压缩格式 | 对应的编码/解码器 |
DEFLATE | org.apache.hadoop.io.compress.DefaultCodec |
gzip | org.apache.hadoop.io.compress.GzipCodec |
bzip2 | org.apache.hadoop.io.compress.BZip2Codec |
LZO | com.hadoop.compression.lzo.LzopCodec |
Snappy | org.apache.hadoop.io.compress.SnappyCodec |
2）要在Hadoop中启用压缩，可以配置如下参数
参数 | 默认值 | 阶段 | 建议 |
io.compression.codecs（在core-site.xml 中配置） | 无，这个需要在命令行输入 hadoop checknative查看 | 输入压缩 | Hadoop 使用文件扩展名判断是否支持某种编解码器 |
mapreduce.map.output.compress （在 mapred-site.xml中配置） | false | mapper输出 | 这个参数设为 true启用压缩 |
mapreduce.map.output .compress.codec （在mapred-site.xml中配置） | false | mapper输出 | 企业 多使用LZO或 Snappy编解码器在此 阶段压缩数据 |
mapreduce.output.fileoutputformat .compress （在mapred-site.xml中配置） | false | reducer输出 | 这个参数设置为true启用压缩 |
mapreduce.output.fileoutputformat .compress.codec （在mapred-site.xml中配置） | org.apache.hadoop.io .compress .DefaultCodecpress | reducer输出 | 使用标准工具或者编解码器，如gzip和bzip2 |
压缩实操案例
Map输出端采用压缩
即使你的MapReduce的输入输出文件都是未压缩的文件，你仍然可以对Map任务的中间结果输出做压缩，因为它要写入磁盘并且通过网络传输到Reduce节点，对其压缩可以提高很多性能，这些工作只要设置两个属性即可。
只需在Driver中开启压缩，并指定压缩方式即可。Mapper和Reducer的代码都不需要额外修改。
// 开启 map 端输出压缩
conf.setBoolean("mapreduce.map.output.compress", true);
// 设置 map 端输出压缩方式
conf.setClass("mapreduce.map.output.compress.codec",BZip2Codec.class,CompressionCodec.class);Reduce输出端采用压缩
基于WordCount案例处理。
只需在Driver中开启压缩，并指定压缩方式即可。Mapper和Reducer的代码都不需要额外修改。
// 设置 reduce 端输出压缩开启
FileOutputFormat.setCompressOutput(job, true);
// 设置压缩的方式
FileOutputFormat.setOutputCompressorClass(job, BZip2Codec.class);
// FileOutputFormat.setOutputCompressorClass(job, GzipCodec.class);
// FileOutputFormat.setOutputCompressorClass(job, DefaultCodec.class);常见错误及解决方案
1）导包容易出错。尤其Text和CombineTextInputFormat。
2）Mapper中第一个输入的参数必须是LongWritable或者NullWritable，不可以是IntWritable，报的错误是类型转换异常。
3）java.lang.Exception:java.io.IOException:Illegalpartition for 13926435656(4)，说明Partition和ReduceTask个数没对上，调整ReduceTask个数。
4）如果分区数不是1，但是ReduceTask为1，是否执行分区过程？它是不会执行分区过程。因为在MapTask的源码中，执行分区的前提是先判断ReduceTask个数是否大于1。如果不大于1，那自然是不会执行分区过程的。
5）在Windows环境编译的jar包导入到Linux环境中运行，hadoop jar wc.jar com.atguigu.mapreduce.wordcount.WordCountDriver /user/atguigu/ /user/atguigu/output，可能会报如下错误：Exception in thread "main" java.lang.UnsupportedClassVersionError: com/atguigu/mapreduce/wordcount/WordCountDriver : Unsupported major.minor version 52.0。
原因是：Windows环境用的 环境用的 环境用的 jdk1.7，Linux环境用的 环境用的 jdk1.8。
解决方案： 方案： 统一 jdk版
6）缓存pd.txt小文件案例中，报找不到pd.txt文件
原因：大部分为路径写错误。还有就是要检查pd.txt.txt的问题。还有个别电脑写相对路径找不到pd.txt，可以修改为绝对路径。
7）报类型转换异常：通常都是在驱动函数中设置Map输出和最终输出时编写错误。Map输出的key，如果没有排序，也会报类型转换异常。
8）集群中运行wc.ajr时出现了无法获得输入文件。
原因：WordCount案例的输入文件不能放到HDFS集群的根目录。
9）出现如下相关异常：
Exception in thread "main" java.lang.UnsatisfiedLinkError: org.apache.hadoop.io.nativeio.NativeIO$Windows.access0(Ljava/lang/String;I)Z
at org.apache.hadoop.io.nativeio.NativeIO$Windows.access0(Native Method)
at org.apache.hadoop.io.nativeio.NativeIO$Windows.access(NativeIO.java:609)
at org.apache.hadoop.fs.FileUtil.canRead(FileUtil.java:977)
java.io.IOException: Could not locate executable null\bin\winutils.exe in the Hadoop binaries.
at org.apache.hadoop.util.Shell.getQualifiedBinPath(Shell.java:356)
at org.apache.hadoop.util.Shell.getWinUtilsPath(Shell.java:371)
at org.apache.hadoop.util.Shell.<clinit>(Shell.java:364)
解决方案一：拷贝hadoop.dll文件到Windows目录 C:\Windows\System32。个别情况需要修改Hadoop源码。
方案二：创建如下包名，并将NativeIO.java拷贝到该包名下
10）自定义OutputFormat时，注意在RecordWriter中的close方法必须关闭资源流，否则输出的文件内容中数据为空。
