标签：
InputFormat的默认实现是TextInputFormat
是mapreducer对文件进行处理和运算的输入单位。只是一个逻辑概念。每一个InputSplit并没有对文件进行实际的切割。只是记录了要处理文件的位置信息（包括文件的path和 hosts、长度(length)）。在默认情况下，InputSplit和Block的数目是一样的。
得到一个InputSplit的长度
得到该InputSplit的文件的具体的位置，包括复制集的位置
一种split的实现
代表的是文件的路径，这个大的文件的存储路径
分片在文件中的起始位置
分片的长度
存储分片所在的主机
存储分片所在的主机的信息
用这四个参数就可以计算出提供给每一个map的分片的数据。
为数据读取器接口
boolean next(K key, V value) throws IOException;
从InputSplit中读取数据，如果返回值为true，则key和value已经被读取了，如果返回值为false，则为最后的数据了
createKey();
按照子类给定的规则创建key
按照子类给定的规则创建value。
V createValue();
返回当前遍历的InputSplit的位置
/**
* Returns the current position in the input.
*
* @return the current position in the input.
* @throws IOException
*/
long getPos() throws IOException;
关闭当前遍历的InputSplit
/**
* Close this {@link InputSplit} to future operations.
*
* @throws IOException
*/
public void close() throws IOException;
/**
* How much of the input has the {@link RecordReader} consumed i.e.
* has been processed by?
*
* @return progress from <code>0.0</code> to <code>1.0</code>.
* @throws IOException
*/
float getProgress() throws IOException;
return new LongWritable();
从该方法可以得知，默认的key就是一个偏移量。
public Text createValue() {
return new Text();
}
从这里可以看出value就是一个Text，在这里是一行的内容。
if (key == null) {
key = new LongWritable();
}
key.set(pos);// key即为偏移量
如果一行数据被分配到了两个InputSplit中，怎么样能确保读取到了完整的行呢？在这里用了两个方法搞定。
这里getFilePosition()<=end，而不是getFilePosition()<end，说明读到最后一行，还要继续读下去。也就是说还要读下一个InputSplit的第一行。
start为第一个InputSplit，如果是第一个InputSplit，则从第一个Record读取。如果不是第一个InputSplit，则抛弃第一个Record，直接读取第二个。
这两种机制就可以完全解决数据跨两个InputSplit的读取问题。
Partition能按照某一个特定的值划分区域，每一个区域将来会送给特定的reducer，所以分了多少个区域应该就会产生多少个reducer。这样一来程序的性能会进一步提升。
当map task 开始运算，并产生中间数据时，其产生的中间结果并非直接就简单的写入磁盘。这中间的过程比较复杂，并且利用到了内存buffer 来进行已经产生的部分结果的缓存，并在内存buffer 中进行一些预排序来优化整个map 的性能。如上图所示，每一个map 都会对应存在一个内存buffer （MapOutputBuffer ，即上图的buffer in memory ），map 会将已经产生的部分结果先写入到该buffer 中，这个buffer 默认是100MB 大小，但是这个大小是可以根据job 提交时的参数设定来调整的，该参数即为： io.sort.mb 。当map 的产生数据非常大时，并且把io.sort.mb 调大，那么map 在整个计算过程中spill 的次数就势必会降低，map task 对磁盘的操作就会变少，如果map tasks 的瓶颈在磁盘上，这样调整就会大大提高map 的计算性能
在map中的reducer过程。当job 指定了combiner 的时候，我们都知道map 介绍后会在map 端根据combiner 定义的函数将map 结果进行合并。运行combiner 函数的时机有可能会是merge 完成之前，或者之后，这个时机可以由一个参数控制，即 min.num.spill.for.combine （default 3 ），当job 中设定了combiner ，并且spill 数最少有3 个的时候，那么combiner 函数就会在merge 产生结果文件之前运行。通过这样的方式，就可以在spill 非常多需要merge ，并且很多数据需要做conbine 的时候，减少写入到磁盘文件的数据数量，同样是为了减少对磁盘的读写频率，有可能达到优化作业的目的。
map 在运行过程中，不停的向该buffer 中写入已有的计算结果，但是该buffer 并不一定能将全部的map 输出缓存下来，当map 输出超出一定阈值（比如100M ），那么map 就必须将该buffer 中的数据写入到磁盘中去，这个过程在mapreduce 中叫做spill 。map 并不是要等到将该buffer 全部写满时才进行spill ，因为如果全部写满了再去写spill ，势必会造成map 的计算部分等待buffer 释放空间的情况。所以，map 其实是当buffer 被写满到一定程度（比如80% ）时，就开始进行spill 。这个阈值也是由一个job 的配置参数来控制，即 io.sort.spill.percent ，默认为0.80 或80% 。这个参数同样也是影响spill 频繁程度，进而影响map task 运行周期对磁盘的读写频率的。但非特殊情况下，通常不需要人为的调整。调整io.sort.mb 对用户来说更加方便。
当map task 的计算部分全部完成后，如果map 有输出，就会生成一个或者多个spill 文件，这些文件就是map 的输出结果。map 在正常退出之前，需要将这些spill 合并（merge ）成一个，所以map 在结束之前还有一个merge 的过程。merge 的过程中，有一个参数可以调整这个过程的行为，该参数为： io.sort.factor 。该参数默认为10 。它表示当merge spill 文件时，最多能有多少并行的stream 向merge 文件中写入。比如如果map 产生的数据非常的大，产生的spill 文件大于10 ，而io.sort.factor 使用的是默认的10 ，那么当map 计算完成做merge 时，就没有办法一次将所有的spill 文件merge 成一个，而是会分多次，每次最多10 个stream 。这也就是说，当map 的中间结果非常大，调大io.sort.factor ，有利于减少merge 次数，进而减少map 对磁盘的读写频率，有可能达到优化作业的目的。
outputFormat的默认实现是TextOutputFormat
输出到纯文本文件，格式为:key+” ”+value
//新的行的产生
private static final byte[] newline 换行符
//用一个换行符产生了新的一行
static {
try {
newline = "\n".getBytes(utf8);
} catch (UnsupportedEncodingException uee) {
throw new IllegalArgumentException("can‘t find " + utf8 + " encoding");
}
}
public synchronized void write(K key, V value)
throws IOException {
boolean nullKey = key == null || key instanceof NullWritable;
boolean nullValue = value == null || value instanceof NullWritable;
//下面的代码都是为了拼接一行数据
if (nullKey && nullValue) {
return;
}
if (!nullKey) {
writeObject(key); 一行中的第一个组成部分：key
}
if (!(nullKey || nullValue)) {
out.write(keyValueSeparator); 一行中的第二个组成部分：tab
}
if (!nullValue) {
writeObject(value); 一行中的第三个组成部分：value
}
out.write(newline); 一行中的第四个组成部分：\n 换行符
}
标签：
原文地址：http://www.cnblogs.com/zpb2016/p/5788443.html
