MapReduce类型与格式(输入与输出)

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 \t 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