hadoop知识整理之MapReduce之代码编写
Posted qfxydtk
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了hadoop知识整理之MapReduce之代码编写相关的知识，希望对你有一定的参考价值。
前面2篇文章知道了HDFS的存储原理，知道了上传和下载文件的过程，同样也知晓了MR任务的执行过程，以及部分代码也已经看到，那么下一步就是程序员最关注的关于MR的业务代码（这里不说太简单的）：
一、关于MapTask的排序
mapTask正常情况，按照key的hashcode进行从小到大的排序操作，形成map输出，交给reduce，（据某篇博文说，hashcode排序使用的是快排，这个无从考证），这里说明一下如何使用POJO类作为key，使其进行排序。
1）POJO类实现WritableComparable<T>接口；
2）重写compareTo(T t)方法，在此方法中返回为int，使用当前对象的排序对象，减去传入对象的排序字段，便是倒序排序（按照想要的方式）。示例为按照电影热度值倒序排序。
@Override public int compareTo(Movie o) return this.hot-o.hot;
二、关于地址复用
1）注意，在reduce中，关于reduce方法中的values的迭代器，一旦遍历过后，迭代器中值将不再存在；
2）这里是因为reduceTask在反射调用reduce方法时，为节省内存空间，使用了地址复用技术；
3）所以如果想让对象保存下来，那么必须将对象完全克隆，这里建议，在使用POJO时候，最好实现clone方法，以便方便保存迭代器中的对象；示例代码是重写clone方法，以方便克隆；
public Item clone() Item o=null; try o = (Item) super.clone(); catch (CloneNotSupportedException e) // TODO Auto-generated catch block e.printStackTrace(); return o;
三、关于多文件join
多文件join操作，map任务也是支持的，只需将多文件放在指定的hdfs输入目录即可，那么在map方法中，只需要将关联字段提为key，其他封装入对象，然后reduce中你想要的结果就是join后的，至于保留哪些字段，去掉冗余字段，那就全凭自己操作了。
四、关于combiner
根据前文，combine操作，即使将每一个maptask的输出结果，进行合并排序操作，如果程序员使用MR的人，指定了conbine操作的存在，那么maptask会根据spill内存缓冲溢出文件的数量进行判断是否确实需要combine操作，因为combine操作也会浪费资源，默认值中，假如spill文件的数量小于3，那么便不会进行combine操作，否则先进行combine操作，combine操作只针对于每一个maptask小任务，然后根据shuffle的原理，这些combine后的输出文件会被reduce的复制进行拿走。combine的启用方式：
job.setCombinerClass(InventReducer.class);
此段代码运行在MRDriver中，指定一个combiner的reduce类，和reduce的思路以及代码方式都一样：
public class InventReducer extends Reducer<Text, Text, Text, Text> @Override protected void reduce(Text key, Iterable<Text> values, Reducer<Text, Text, Text, Text>.Context context) throws IOException, InterruptedException int count=0; for(Text t:values) count++; String[] sss=key.toString().split(" "); context.write(new Text(sss[0]), new Text(sss[1]+" "+count));
五、关于分区
指定分区类，分区操作是在maptask中进行，当maptask输出文件结束后，maptask会根据spill文件进行排序和分区操作。
Driver中指定分区类：
job.setPartitionerClass(AuthPartitioner.class);
分区类代码：
分区类中，key为maptask的输出key，int numPartitions为分区编号，有几个分区编号，将会分几个区。
public class AuthPartitioner extends Partitioner<IntWritable, IntWritable> @Override public int getPartition(IntWritable key, IntWritable value, int numPartitions) String num=String.valueOf(key.get()); if(num.matches("[0-9][0-9]")||num.matches("[0-9]")) return 0; if(num.matches("[0-9][0-9][0-9]")) return 1; else return 2;
分区的目的在于指定的多个reduceTask可以分别处理自己分区的数据，以便让数据均匀地落盘。
六、关于Job链
这就是在Java代码中让多个Job串起来，实现很简单：代码写在Driver中
//判断上一个Job的完成情况 if (job.waitForCompletion(true)) //执行第二个Job代码
七、自定义格式输入（Map的输入）
默认map方法的输入为：间隔字符数量long型、本行数据text类型；
假如想改变这些输入，假如将第一个key输入变为intWritable
需要一个Format类和Reader类：
public class AuthFormat extends FileInputFormat<IntWritable, Text> @Override public RecordReader<IntWritable, Text> createRecordReader(InputSplit split, TaskAttemptContext context) throws IOException, InterruptedException return new AuthReader();
import java.io.IOException; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.fs.FSDataInputStream; import org.apache.hadoop.fs.FileSystem; import org.apache.hadoop.fs.Path; import org.apache.hadoop.io.IntWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.InputSplit; import org.apache.hadoop.mapreduce.RecordReader; import org.apache.hadoop.mapreduce.TaskAttemptContext; import org.apache.hadoop.mapreduce.lib.input.FileSplit; import org.apache.hadoop.util.LineReader; public class AuthReader extends RecordReader<IntWritable, Text> private FileSplit fs ; private LineReader lineReader ; private IntWritable key ; private Text value ; //--定义一个计数器，记录本次读取到了多少行 int count = 0; @Override public void initialize(InputSplit split, TaskAttemptContext context) throws IOException, InterruptedException this.fs = (FileSplit) split; //--获取文件路径 Path path = fs.getPath(); //--获取文件系统 Configuration conf = context.getConfiguration(); FileSystem fileSystem = path.getFileSystem(conf); //--通过文件系统读取文件得到流 FSDataInputStream in = fileSystem.open(path); //--将流包装为LineReader方便按行读取 lineReader = new LineReader(in); @Override public boolean nextKeyValue() throws IOException, InterruptedException //--要返回的键，本次读取的行数 key = new IntWritable(); //--要返回的值，本次读取到的内容 value = new Text(); //--定义一个temp临时记录内容 Text temp = new Text(); int len = lineReader.readLine(temp); //--判断是否读取到了数据 if(len == 0) //--表示没有行数据可读，则不再执行 nextKeyValue()方法 return false; else //--读到了数据，将数据追加到value中 //可以这样写：value=tmp; //也可以像下面这样写 value.append(temp.getBytes(), 0, temp.getLength()); //--计数器加1，表明读取到了一行内容 count++; key.set(count); return true; @Override public IntWritable getCurrentKey() throws IOException, InterruptedException return key; @Override public Text getCurrentValue() throws IOException, InterruptedException return value; @Override public float getProgress() throws IOException, InterruptedException return 0; @Override public void close() throws IOException if(lineReader != null)lineReader.close();
在上文的源码解析中，知道了Reader的作用在于一行一行地读取源文件给maptask任务。
这里相当于子类重写了父类的方法，在调用时，会直接调用子类的方法。
而在Driver中需要增加：
job.setMapOutputKeyClass(IntWritable.class); job.setMapOutputValueClass(Text.class); job.setInputFormatClass(AuthFormat.class);
八、自定义格式输出
自定义格式输出的目的在于规范输出格式重量，简单来说就是可以输出想要的任意输出格式：
public class AuthOutputFormat<K,V> extends FileOutputFormat<K,V> @Override public RecordWriter<K,V> gtetRecordWrier(TaskAttemptContext job) throws IOException, InterruptedException //Get the default path and filename for the output format. //第二个参数：extension an extension to add to the filename Path path=super.getDefaultWorkFile(job, ""); Configuration conf=job.getConfiguration(); FileSystem fs=path.getFileSystem(conf); FSDataOutputStream out=fs.create(path); return new AuthWriter<K,V>(out,"|","\r\n"); public class AuthWriter<K,V> extends RecordWriter<K,V> private FSDataOutputStream out; private String keyValueSeparator; private String lineSeparator; public AuthWriter(FSDataOutputStream out, String keyValueSeparator, String lineSeparator) this.out=out; this.keyValueSeparator=keyValueSeparator; this.lineSeparator=lineSeparator; @Override public void write(K key, V value) throws IOException, InterruptedException out.write(key.toString().getBytes()); out.write(keyValueSeparator.getBytes()); out.write(value.toString().getBytes()); out.write(lineSeparator.getBytes()); @Override public void close(TaskAttemptContext context) throws IOException, InterruptedException if(out!=null)out.close();
同样一个format和一个writer，然后在Driver中指定即可
//有了这句话，不用再写原来的输出语句 job.setOutputFormatClass(AuthOutputFormat.class);
九、关于多输入源
在Driver中指定：
public class ScoreDriver public static void main(String[] args) throws Exception Configuration conf = new Configuration(); Job job = Job.getInstance(conf, "JobName"); job.setJarByClass(cn.gjm.hadoop.ScoreDriver.class); job.setMapOutputKeyClass(Text.class); job.setMapOutputValueClass(Text.class); job.setInputFormatClass(AuthInputFormat.class); //需要注意，如果一个Mapper代码不能通用的解决，则需要分别指定。此时，就不能去设置 //setMapperClass()了 MultipleInputs.addInputPath(job, new Path("hdfs://192.168.234.21:9000/formatscore/format-score.txt"),AuthInputFormat.class,ScoreMapper.class); MultipleInputs.addInputPath(job, new Path("hdfs://192.168.234.21:9000/formatscore/format-score-1.txt"),TextInputFormat.class,ScoreMapper2.class); FileOutputFormat.setOutputPath(job, new Path("hdfs://192.168.234.21:9000/formatscore/result")); if (!job.waitForCompletion(true)) return;
十、多输出源
public class ScoreReducer extends Reducer<Text, Text, Text, Text> private MultipleOutputs<Text, Text> mos; @Override protected void reduce(Text name, Iterable<Text> scores, Reducer<Text, Text, Text, Text>.Context context) throws IOException, InterruptedException for(Text score:scores) if(name.toString().equals("jary")) mos.write("jary",name,score); if(name.toString().equals("rose")) mos.write("rose",name,score); if(name.toString().equals("tom")) mos.write("tom", name,score); @Override protected void setup(Reducer<Text, Text, Text, Text>.Context context) throws IOException, InterruptedException mos=new MultipleOutputs<>(context); ScoreDriver代码： public class ScoreDriver public static void main(String[] args) throws Exception Configuration conf = new Configuration(); Job job = Job.getInstance(conf, "JobName"); job.setJarByClass(cn.tarena.hadoop.ScoreDriver.class); // TODO: specify a reducer job.setMapOutputKeyClass(Text.class); job.setMapOutputValueClass(Text.class); job.setReducerClass(ScoreReducer.class); job.setInputFormatClass(AuthInputFormat.class); MultipleInputs.addInputPath(job, new Path("hdfs://192.168.234.21:9000/formatscore/format-score.txt"),AuthInputFormat.class,ScoreMapper.class); MultipleInputs.addInputPath(job, new Path("hdfs://192.168.234.21:9000/formatscore/format-score-1.txt"),TextInputFormat.class,ScoreMapper2.class); MultipleOutputs.addNamedOutput(job, "jary", AuthOutputFormat.class, Text.class, Text.class); MultipleOutputs.addNamedOutput(job, "tom", AuthOutputFormat.class, Text.class, Text.class); MultipleOutputs.addNamedOutput(job, "rose", AuthOutputFormat.class, Text.class, Text.class); FileOutputFormat.setOutputPath(job, new Path("hdfs://192.168.234.21:9000/formatscore/result")); if (!job.waitForCompletion(true)) return;
十一，多次排序
//只需在compare方法中指定多字段排序即可 @Override public int compareTo(Profit o) int result=this.month-o.month; if(result!=0) return result; else return o.profit-this.profit;
以上是关于hadoop知识整理之MapReduce之代码编写的主要内容，如果未能解决你的问题，请参考以下文章