wordCount程序中MapReduce工作过程分析

　　Map处理的是一个纯文本。Mapper处理的数据是由InputFormat分解过的数据集，其中InputFormat的作用是将数据集切割成小数据集InputSplit，每一个InputSplit将由一个Mapper处理，此外，InputFormat中还提供了一个RecordReader的实现，并将一个InputSplit解析成<key,value>对提供给map函数。InputFormat的默认值是TextInputFormat，它针对文本文件，按行将文本切割成InputSplit，并用LineRecordReader将InputSplit解析成<key,value>对，key是行在文本中的位置，value是文本中的一行。

　　InputFormat类定义了如何分割和读取输入文件，它提供有下面的几个功能：

• 选择作为输入的文件或对象；
• 定义把文件划分到任务的InputSplits；
• 为RecordReader读取文件提供了一个工厂方法；

　　Hadoop自带了好几个输入格式。其中有一个抽象类叫FileInputFormat，所有操作文件的InputFormat类都是从它那里继承功能和属性。当开启Hadoop作业时，FileInputFormat会得到一个路径参数，这个路径内包含了所需要处理的文件，FileInputFormat会读取这个文件夹内的所有文件（译注：默认不包括子文件夹内的），然后它会把这些文件拆分成一个或多个的InputSplit。你可以通过Job对象的setInputFormat()方法来设定应用到你的作业输入文件上的输入格式。下表给出了一些标准的输入格式：

　　

输入格式	描述	键	值
TextInputFormat	默认格式，读取文件的行（默认）	行的字节偏移量	行的内容
KeyValueInputFormat	把行解析为键值对	第一个tab字符前的所有字符	行剩下的内容
SequenceFileInputFormat	Hadoop定义的高性能二进制格式	用户自定义	用户自定义

　　Map的结果会通过partion分发到Reducer，中间涉及到copy和merge的过程，merge的时候，具有相同key的键/值对则送到同一个Reducer上。Reducer是所有用户定制Reducer类的基础，它的输入是key和这个key对应的所有的value的一个迭代器，同时还有Reducer的上下文。Reducer做完Reduce操作后，将通过OutputFormat输出，最终由Reducer.Context的write方法输出到文件中。

下面给出两个结点的示意图：

　　下面贴一个句柄使用的例子，在很多字符串处理中都有使用，具体的是将Hadoop自身的基础数据类型的Text转化成String，再用句柄来将句子按照定义的分割符分开，获得的是标记间的多个句柄。

String s = new String("The Java platform is the ideal platform for network computing");
StringTokenizer st = new StringTokenizer(s);
System.out.println( "Token Total: " + st.countTokens() );
while( st.hasMoreElements() ){
System.out.println( st.nextToken() );
}

另外如果输入的字符串带有一定的结构，可以根据相应结构进行分割、提取、计算等，具体情况以来自己想实现的功能。