Hadoop之MapReduce开发总结

1.输入数据接口：InputFormat

        （1）默认使用的实现类是：TextInputFormat

        （2）TextInputFormat的功能逻辑是：一次读一行文本，然后将该行的起始位置偏移量作为key，行内容作为value返回。

        （3）CombineTextInputFormat可以把多个小文件合并成一个切片处理，提高处理效率。

2.逻辑处理接口

        用户根据业务需求实现其中三个方法：map() 、setup()、cleanup()。

3.Partition分区

        （1）有默认实现HashPartitioner，逻辑是根据key的哈希值和numReduces来返回一个分区号，即：key.hashCode()Interger.MAXVALUE%numReduces。

         （2）如果业务上有特别的需求，也可以自定义分区。

4.Comparable排序

        （1）当我们用自定义的对象作为key来输出时，就必须要实现WritableComparable接口，重写其中的compareTo()方法。

        （2）部分排序：对最终输出的每一个文件进行内部排序。

        （3）全排序：对所有的数据进行排序，通常只有一个Reduce。

        （4）二次排序：排序的条件有两个。

5.Combine合并

        Combiner合并可以提高程序的执行效率，减少IO传输造成的资源紧张，但是使用时必须不能影响原有的业务处理结果，即用与不用Combiner的结果无异。

6.逻辑处理接口：Reducer

        用户根据业务需求实现其中的三个方法：reduce()、setup()、cleanup()。

7.输出数据接口：OutputFormat

        （1）默认实现类是TextOutputFormat，功能逻辑是：将每一个k，v键值对，向目标文本文件输出一行。

        （2）将SequenceFileOutputFormat输出作为后续的MapReduce任务的输入，这便是一种的好的输出格式（二进制），因为它的格式紧凑，很容易被压缩。

        （3）用户还可以自定义OutputFormat。