MapReduce的類(lèi)型與格式教案資料

MapReduce的類(lèi)型與格式MapReduce數(shù)據(jù)處理模型非常簡(jiǎn)單：map和reduce函數(shù)的輸入和輸出是鍵/值對(duì)（key/valuepair）。本章深入討論MapReduce模型，重點(diǎn)介紹各種類(lèi)型的數(shù)據(jù)（從簡(jiǎn)單文本到結(jié)構(gòu)化的二進(jìn)制對(duì)象）如何在MapReduce中使用引言目錄MapReduce的類(lèi)型

默認(rèn)的MapReduce作業(yè)輸入格式

輸入分片與記錄文本輸入二進(jìn)制輸入多種輸入數(shù)據(jù)庫(kù)輸入（和輸出）輸出格式

文本輸出二進(jìn)制輸出多個(gè)輸出延遲輸出數(shù)據(jù)庫(kù)輸出MapReduce的類(lèi)型

map:(K1,V1)list(K2,V2)reduce:(K2,list(V2))list(K3,V3)一般來(lái)說(shuō)，map函數(shù)輸入的鍵/值的類(lèi)型（K1和V1）不同于輸出類(lèi)型（K2和V2）reduce函數(shù)的輸入類(lèi)型必須與map函數(shù)的輸出類(lèi)型相同，但reduce函數(shù)的輸出類(lèi)型可以不同于輸入類(lèi)型MapReduce的類(lèi)型

partition:(K2,V2)integerpartition函數(shù)將中間的鍵/值對(duì)（K2和V2）進(jìn)行處理，并且返回一個(gè)分區(qū)索引。實(shí)際上分區(qū)單獨(dú)由鍵決定MapReduce的類(lèi)型

為什么不能結(jié)合mapper和reducer導(dǎo)出類(lèi)型呢？

默認(rèn)的MapReduce作業(yè)默認(rèn)的輸入格式是TextInputFormat，它產(chǎn)生的鍵類(lèi)型是LongWritable，值類(lèi)型是Text（文本行）默認(rèn)的mapper是IdentityMapper，它將輸入的鍵和值原封不動(dòng)地寫(xiě)到輸出中IdentityMapper是一個(gè)泛型類(lèi)型，它可以接受任何鍵或值的類(lèi)型，只要map輸入和輸出鍵的類(lèi)型相同，值的類(lèi)型也相同就可以

默認(rèn)的MapReduce作業(yè)默認(rèn)的partitioner是HashPartitioner，它對(duì)每條記錄的鍵進(jìn)行哈希操作以決定該記錄應(yīng)該屬于哪個(gè)分區(qū)。每個(gè)分區(qū)對(duì)應(yīng)一個(gè)reducer任務(wù)

鍵的哈希碼被轉(zhuǎn)換為一個(gè)非負(fù)整數(shù)，它由哈希值與最大的整型值做一次按位與操作而獲得，然后用分區(qū)數(shù)進(jìn)行取模操作，來(lái)決定該記錄屬于哪個(gè)分區(qū)索引

默認(rèn)的MapReduce作業(yè)默認(rèn)的reducer是IdentityReducer，它也是一個(gè)泛型類(lèi)型，它簡(jiǎn)單的將所有的輸入寫(xiě)到輸出中

大多數(shù)MapReduce程序不會(huì)一直用相同的鍵或值類(lèi)型，所以就想上一節(jié)中描述的那樣，必須配置作業(yè)來(lái)聲明使用的類(lèi)型

默認(rèn)的Streaming作業(yè)必須提供一個(gè)mapper因?yàn)槟J(rèn)的輸入格式TextInputFormat產(chǎn)生的鍵類(lèi)型是LongWritable，值類(lèi)型是Text，而Streaming的輸出鍵和值（包括map的鍵和值）都是Text類(lèi)型。默認(rèn)的IdentityMapper無(wú)法將LongWritable類(lèi)型的鍵轉(zhuǎn)換為T(mén)ext類(lèi)型的鍵Streaming中的鍵和值Streaming應(yīng)用可以決定分隔符，該分隔符用于通過(guò)標(biāo)準(zhǔn)輸入把鍵/值對(duì)轉(zhuǎn)換為一串比特值發(fā)送到map或reduce函數(shù)。分隔符默認(rèn)情況下是Tab（制表符)，但如果鍵或值本身含有Tab，它能將分隔符修改成其他符號(hào)輸出鍵/值對(duì)時(shí)，也需要用一個(gè)可配置的分隔符來(lái)進(jìn)行分割Streaming中的鍵和值輸入格式輸入格式輸入分片與記錄一個(gè)輸入分片（split）就是由單個(gè)map處理的輸入塊每條記錄就是一個(gè)鍵/值對(duì)在數(shù)據(jù)庫(kù)的場(chǎng)景中，一個(gè)輸入分片對(duì)應(yīng)于一個(gè)表上的若干行，而一條記錄對(duì)應(yīng)到一行（DBInputFormat正是這么做的，它這種輸入格式用于從關(guān)系數(shù)據(jù)庫(kù)讀取數(shù)據(jù)）。輸入格式輸入分片與記錄輸入分片（split）在Java中被表示為InputSplit接口InputSplit包含一個(gè)以字節(jié)為單位的長(zhǎng)度和一組存儲(chǔ)位置（即一組主機(jī)名）輸入格式輸入分片與記錄InputSplit是由InputForamt創(chuàng)建的。InputForamt負(fù)責(zé)產(chǎn)生輸入分片并將它們分割成記錄。輸入格式FileInputFormat類(lèi)FileInputFormat是所有使用文件作為其數(shù)據(jù)源的InputFormat實(shí)現(xiàn)的基類(lèi)提供了兩個(gè)功能：一個(gè)定義哪些文件包含在一個(gè)作業(yè)的輸入中，一個(gè)為輸入文件生成分片的實(shí)現(xiàn)。輸入格式FileInputFormat類(lèi)的輸入路徑輸入格式FileInputFormat類(lèi)的輸入路徑add和set方法允許指定包含的文件。如果需要排除特定文件，可以使用setInputPathFilter（）方法設(shè)置一個(gè)過(guò)濾器即使不設(shè)置過(guò)濾器，也會(huì)使用一個(gè)默認(rèn)的過(guò)濾器來(lái)排除隱藏文件（名稱(chēng)中以"."和"_"開(kāi)頭的文件）輸入格式FileInputFormat類(lèi)的輸入分片最小的輸入分片大小通常是1字節(jié)最大的分片大小默認(rèn)為Javalong類(lèi)型表示的最大值輸入格式FileInputFormat類(lèi)的輸入分片若需增加map數(shù),可以把mapred.min.split.size調(diào)小，把mapred.max.split.size調(diào)大若需減少map數(shù),可以把mapred.min.split.size調(diào)大,并把mapred.max.split.size調(diào)小輸入格式FileInputFormat類(lèi)的輸入分片輸入格式小文件與CombineFileInputFormatFileInputFormat會(huì)讓每個(gè)輸入文件至少產(chǎn)生一個(gè)map任務(wù),因此如果你的輸入目錄下有許多文件,而每個(gè)文件都很小,例如幾十kb,那么每個(gè)文件都產(chǎn)生一個(gè)map會(huì)增加調(diào)度開(kāi)銷(xiāo).作業(yè)變慢.那么如何防止這種問(wèn)題呢?CombineFileInputFormat能有效的減少map數(shù)量.CombineFileInputFormat是針對(duì)小文件而設(shè)計(jì)的抽象類(lèi)輸入格式避免切分有些應(yīng)用程序可能不希望文件被切分，而是用一個(gè)mapper完整處理每一個(gè)輸入文件。輸入格式把整個(gè)文件作為一條記錄來(lái)處理輸入格式將若干個(gè)小文件打包成順序文件的MapReduce程序輸入格式TextInputFormat默認(rèn)的InputFormat，鍵是LongWritable類(lèi)型，存儲(chǔ)該行在整個(gè)文件中的字節(jié)偏移量，值是Text類(lèi)型，是這行的內(nèi)容，不包括任何終止符（換行符和回車(chē)符）輸入格式KeyValueTextInputFormat輸入格式NLineInputFormat輸入格式XML大多數(shù)XML解析器會(huì)處理整個(gè)XML文檔，所以如果一個(gè)大型XML文檔由多個(gè)輸入分片組成，那么單獨(dú)處理每個(gè)分片就有挑戰(zhàn)了把整個(gè)文件作為一條記錄來(lái)處理StreamXmlRecordReader類(lèi)輸入格式二進(jìn)制輸入SequenceFileInputFormatHadoop的順序文件格式存儲(chǔ)二進(jìn)制的鍵/值對(duì)的序列SequenceFileAsTextInputFormatSequenceFileAsBinaryInputFormat變體二進(jìn)制對(duì)象SequenceFile.Reader的appendRaw()方法輸入格式多種輸入數(shù)據(jù)格式往往會(huì)隨著時(shí)間演變對(duì)不同的數(shù)據(jù)集進(jìn)行連接（join，也稱(chēng)“聯(lián)接”）操作MultipleInputs允許為每條輸入路徑指定InputFormat和Mapper輸入格式數(shù)據(jù)庫(kù)輸入（和輸出）DBInputFormat用于使用JDBC從關(guān)系數(shù)據(jù)庫(kù)中讀取數(shù)據(jù)最好用于加載小量的數(shù)據(jù)集，如果需要與來(lái)自HDFS的大數(shù)據(jù)集連接，要使用MultipleInputsDBOutputFormat適用于將作業(yè)輸出數(shù)據(jù)（中等規(guī)模的數(shù)據(jù)）轉(zhuǎn)儲(chǔ)到數(shù)據(jù)庫(kù)輸出格式文本輸出默認(rèn)的輸出格式是TextOutputFormat鍵和值可以是任意類(lèi)型，因?yàn)門(mén)extOutputFormat調(diào)用toString()方法把它們轉(zhuǎn)換為字符串每個(gè)鍵和值由制表符進(jìn)行分割與TextOutputFormat對(duì)應(yīng)的輸入格式是KeyValueTextInputFormatNullWritable輸出格式二進(jìn)制輸出SequenceFileOutputFormatSequenceFileAsBinaryOutputFormatMapFileOutputFormat輸出格式多個(gè)輸出輸出格式多個(gè)輸出MultipleOutputFormat可以將數(shù)據(jù)寫(xiě)到多個(gè)文件，這些文件的名稱(chēng)源于輸出的鍵和值抽象類(lèi)，兩個(gè)實(shí)體子類(lèi)：MultipleTextOutputF