标签：hadoop 分布式计算 mapreduce 输入输出格式 shuffle
大数据时代之hadoop(三)：hadoop数据流（生命周期）
大数据时代之hadoop(四)：hadoop 分布式文件系统（HDFS)
hadoop的核心分为两块，一是分布式存储系统-hdfs，这个我已经在上一章节大致讲了一下，另一个就是hadoop的计算框架-mapreduce。
mapreduce其实就是一个移动式的基于key-value形式的分布式计算框架。
其计算分为两个阶段，map阶段和reduce阶段，都是对数据的处理，由于其入门非常简单，但是若想理解其中各个环节及实现细节还是有一定程度的困难，因此我计划在本文中只是挑几个mapreduce的核心来进行分析讲解。
编写mapreduce程序容易入手的其中一个原因就在于它提供了一些了的默认值，而这些默认值刚好就是供开发环境设置而设定的。虽然容易入手，但还是的理解mapreduce的精髓，因为它是mapreduce的引擎，只有理解了mapreduce的核心，当你在编写mapreduce程序的时候，你所编写的程序才是最终稳重的，想要的程序。废话少说，见下面代码：
public int run(String[] args) throws IOException {
JobConf conf = new JobConf();
/**
*默认的输入格式，即mapper程序要处理的数据的格式，hadoop支持很多种输入格式，下面会详细讲解，
*但TextInputFormat是最常使用的（即普通文本文件，key为LongWritable-文件中每行的开始偏移量，value为Text-文本行）。
**/
conf.setInputFormat(org.apache.hadoop.mapred.TextInputFormat.class);
/**
*真正的map任务数量取决于输入文件的大小以及文件块的大小
**/
conf.setNumMapTasks(1);
/**
*默认的mapclass，如果我们不指定自己的mapper class时，就使用这个IdentityMapper 类
**/
conf.setMapperClass(org.apache.hadoop.mapred.lib.IdentityMapper.class);
/**
* map 任务是由MapRunner负责运行的，MapRunner是MapRunnable的默认实现，它顺序的为每一条记录调用一次Mapper的map()方法，详解代码 --重点
*/
conf.setMapRunnerClass(org.apache.hadoop.mapred.MapRunner.class);
/**
* map任务输出结果的key 和value格式
*/
conf.setMapOutputKeyClass(org.apache.hadoop.io.LongWritable.class);
conf.setMapOutputValueClass(org.apache.hadoop.io.Text.class);
/**
* HashPartitioner 是默认的分区实现，它对map 任务运行后的数据进行分区，即把结果数据划分成多个块（每个分区对应一个reduce任务）。
* HashPartitioner是对每条 记录的键进行哈希操作以决定该记录应该属于哪个分区。
*
*/
conf.setPartitionerClass(org.apache.hadoop.mapred.lib.HashPartitioner.class);
/**
* 设置reduce任务个数
*/
conf.setNumReduceTasks(1);
/**
*默认的reduce class，如果我们不指定自己的reduce class时，就使用这个IdentityReducer 类
**/
conf.setReducerClass(org.apache.hadoop.mapred.lib.IdentityReducer.class);
/**
* 任务最终输出结果的key 和value格式
*/
conf.setOutputKeyClass(org.apache.hadoop.io.LongWritable.class);
conf.setOutputValueClass(org.apache.hadoop.io.Text.class);
/**
* 最终输出到文本文件类型中
*/
conf.setOutputFormat(org.apache.hadoop.mapred.TextOutputFormat.class);/*]*/
JobClient.runJob(conf);
return 0;
}
我要说的大部分都包含在了代码的注释里面，除此之外，还有一点：由于java的泛型机制有很多限制：类型擦除导致运行过程中类型信息并非一直可见，所以hadoop需要明确设定map，reduce输入和结果类型。
上面比较重要的就是MapRunner这个类，它是map任务运行的引擎，默认实现如下：
public class MapRunner<K1, V1, K2, V2>
implements MapRunnable<K1, V1, K2, V2> {
private Mapper<K1, V1, K2, V2> mapper;
private boolean incrProcCount;
@SuppressWarnings("unchecked")
public void configure(JobConf job) {
//通过反射方式取得map 实例
this.mapper = ReflectionUtils.newInstance(job.getMapperClass(), job);
//increment processed counter only if skipping feature is enabled
this.incrProcCount = SkipBadRecords.getMapperMaxSkipRecords(job)>0 &&
SkipBadRecords.getAutoIncrMapperProcCount(job);
}
public void run(RecordReader<K1, V1> input, OutputCollector<K2, V2> output,
Reporter reporter)
throws IOException {
try {
// allocate key & value instances that are re-used for all entries
K1 key = input.createKey();
V1 value = input.createValue();
while (input.next(key, value)) {
// map pair to output
//循环调用map函数
mapper.map(key, value, output, reporter);
if(incrProcCount) {
reporter.incrCounter(SkipBadRecords.COUNTER_GROUP,
SkipBadRecords.COUNTER_MAP_PROCESSED_RECORDS, 1);
}
}
} finally {
mapper.close();
}
}
protected Mapper<K1, V1, K2, V2> getMapper() {
return mapper;
}
}
要相信，有些时候还是看源码理解的更快！
shuffle过程其实就是从map的输出到reduce的输入过程中所经历的步骤，堪称mapreduce的“心脏”，分为3个阶段，map端分区、reduce端复制、reduce排序（合并）阶段。
由于在mapreduce计算中，有多个map任务和若干个reduce任何，而且各个任务都可能处于不同的机器里面，所以如何从map任务的输出到reduce的输入是一个难点。
map函数在产生输出时，并不是简单的写到磁盘中，而是利用缓冲的形式写入到内存，并出于效率进行预排序，过程如下图：
在写磁盘之前，线程首先根据reduce的个数将输出数据划分成响应的分区（partiton）。在每个分区中，后台线程按键进行内排序，如果有个一combiner，它会在排序后的输出上运行。
由于map任务的输出文件写到了本地磁盘上，并且划分成reduce个数的分区（每一个reduce需要一个分区），由于map任务完成的时间可能不同，因此只要一个任务完成，reduce任务就开始复制其输出，这就是reduce任务的复制阶段。如上图所示。
复制完所有map输出后，reduce任务进入排序阶段（sort phase），这个阶段将合并map输出，维持其顺序排序，如上图所示。
随着时间的增加，数据的增长也是指数级的增长，且数据的格式也越来越多，对大数据的处理也就越来越困难，为了适应能够处理各种各样的数据，hadoop提供了一系列的输入和输出格式控制，其目的很简单，就是能够解析各种输入文件，并产生需要的输出格式数据。
但是不管处理哪种格式的数据，都要与mapreduce结合起来，才能最大化的发挥hadoop的有点。
这部分也是hadoop的核心啊！
在讲HDFS的时候，说过，一个输入分片就是由单个map任务处理的输入块，一个分片的大小最好与hdfs的块大小相同。
每个分片被划分成若干个记录，每个记录就是一个键值对，map一个接一个的处理每条记录。
在数据库常见中，一个输入分片可以对应一个表的若干行，而一条记录对应一行（DBInputFormat）。
输入分片在hadoop中表示为InputSplit接口，有InputFormat创建的。
InputFormat负责产生输入分片并将他们分割成记录，其只是一个接口，具体任务有具体实现去做的。
FileInputFormat是所有使用文件作为其数据源的InputFormat实现的基类，它提供了两个功能：一个定义哪些文件包含在作业的输入中；一个为输入文件产生分片的实现。把分片割成基类的作业有其子类实现,FileInputFormat是个抽象类。
FileInputFormat实现了把文件分区的功能，但它是怎么来实现了呢？需要先说三个参数：
属性名称 | 类型 | 默认值 | 描述 |
mapred.min.split.size | Int | 1 | 一个文件分片的最小字节数 |
mapred.max.split.size | Long | Long.MAX_VALUE | 一个文件分片的最大字节数 |
dfs.block.size | long | 64M | HDFS中块大小 |
分片的大小有一个公式计算（参考FileInputFomat类的computeSplitSize（）方法）
max（minimumSize,min(maximumSize,blockSize)）
默认情况下： minimumSize < blockSize < maximumSize
FileInputFormat只分割大文件，即文件大小超过块大小的文件。
FileInputFormat生成的InputSplit是一整个文件（文件太小，未被分区，整个文件当成一个分区，供map任务处理）或该文件的一部分（文件大，被分区）。
小文件与CombineFileInputFormat
虽然hadoop适合处理大文件，但在实际的情况中，大量的小文件处理是少不了的，因此hadoop提供了一个CombineFileInputFormat，它针对小文件而设计的，它把多个文件打包到一个分片中一般每个mapper可以处理更多的数据。
TextInputFormat
hadoop默认的InputFormat，每个记录的键是文件中行的偏移量，值为行内容。
KeyValueInputFormat
适合处理配置文件，文件中行中为key value格式的，如key=value类型的文件 ，key即为行中的key，value即为行中的value。
NLineInputFormat
也是为处理文本文件而开发的，它的特点是为每个map任务收到固定行数的输入，其他与TextInputFormat相似。
SequenceFileInputFormat（二进制输入）
hadoop的顺序文件格式存储格式存储二进制的键值对序列，由于顺序文件里面存储的就是map结构的数据，所以刚好可以有SequenceFileInputFormat 来进行处理。
DBInputFormat
顾名思义，用于使用jdbc从关系数据库中读取数据。
多种输入
MultipleInputs类可以用来处理多种输入格式的数据，如输入数据中包含文本类型和二进制类型的，这个时候就可以用 MultipleInputs来指定某个文件有哪种输入类型和哪个map函数来解析。
既然有输入格式，就有输出格式，与输入格式对应。
默认的输出格式是TextOutputFormat，它把记录写成文本行，键值对可以是任意类型， 键值对中间默认用制表符分割。
除了上面几点之外，还有计数器、排序、连接等需要关注，详细待后续吧。。。
大数据时代之hadoop(五)：hadoop 分布式计算框架（MapReduce）
标签：hadoop 分布式计算 mapreduce 输入输出格式 shuffle
原文地址：http://blog.csdn.net/chaofanwei/article/details/40581887
