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：
// 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：
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。
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，part-r-00001等等；
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：
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